粒子群算法(6)-----几个适应度评价函数

下面给出几个适应度评价函数,并给出图形表示

头几天机子种了病毒,重新安装了系统,不小心把程序全部格式化了,痛哭! !!没办法,好多程序不见了,现在把这几个典型的函数重新编写了,把他们给 出来,就算粒子群算法的一个结束吧!痛恨病毒!!!!

第一个函数:Griewank函数,图形如下所示:

适应度函数如下:(为了求最大值,我去了所有函数值的相反数)

function y=Griewank(x)
%Griewan函数
%输入x,给出相应的y值,在x=(0,0,…,0)处有全局极小点0.
%编制人:
%编制日期:
[row,col]=size(x);
if row>1
     error('输入的参数错误');
end
y1=1/4000*sum(x.^2);
y2=1;
for h=1:col
     y2=y2*cos(x(h)/sqrt(h));
end
y=y1-y2+1;
y=-y;

时间: 2024-11-02 21:01:20

粒子群算法(6)-----几个适应度评价函数的相关文章

粒子群算法(8)---混合粒子群算法的实现

混合粒子群算法将全局粒子群算法与局部粒子群算法结合,其速度更新采用公 式 其中G(k+1)是全局版本的速度更新公式,而L(k+1)是局部版本的速度更新 公式,混合粒子群算法采用H(k+1)的公式. 位置更新公式 因为是局部版本与全局版本相结合,所以,粒子群的初始化函数应该与局部版 本的相同,这里就不列出了,参看粒子群算法(7)中的LocalInitSwarm函数. 关键还是混合粒子群算法的单步更新函数,函数名为HybridStepPso 代码如下: function [ParSwarm,OptS

粒子群算法(7)------粒子群算法局部版本的实现

最近要写篇与粒子群算法有关的文章,因此不得不实现粒子群算法的局部版本 .粒子群算法局部版本的实现思想已经在粒子群算法(3)----标准的粒子群算法( 局部版本)中已经讲述.主要分为3个函数.第一个函数为粒子群初始化函数 LocalInitSwarm(SwarmSize......AdaptFunc)其主要作用是初始化粒子群的粒子 ,并设定粒子的速度.位置在一定的范围内.本函数所采用的数据结构如下所示 : 表ParSwarm记录的是粒子的位置.速度与当前的适应度值,我们用W来表示位 置,用V来代表

粒子群算法(5)-----标准粒子群算法的实现

标准粒子群算法的实现思想基本按照粒子群算法(2)----标准的粒子群算法的讲述实现.主要分为3个函数.第一个函数为粒子群初始化函数 InitSwarm(SwarmSize......AdaptFunc)其主要作用是初始化粒子群的粒子,并设定粒子的速度.位置在一定的范围内.本函数所采用的数据结构如下所示: 表ParSwarm记录的是粒子的位置.速度与当前的适应度值,我们用W来表示位置,用V来代表速度,用F来代表当前的适应度值.在这里我们假设粒子个数为N,每个粒子的维数为D. W1,1 W1,2 .

粒子群算法(4)----粒子群算法分类

粒子群算法主要分为4个大的分支: (1)标准粒子群算法的变形 在这个分支中,主要是对标准粒子群算法的惯性因子.收敛因子(约束因子)."认知"部分的c1,"社会"部分的c2进行变化与调节,希望获得好的效果. 惯性因子的原始版本是保持不变的,后来有人提出随着算法迭代的进行,惯性因子需要逐渐减小的思想.算法开始阶段,大的惯性因子可以是算法不容易陷入局部最优,到算法的后期,小的惯性因子可以使收敛速度加快,使收敛更加平稳,不至于出现振荡现象.经过本人测试,动态的减小惯性因子w

遗传算法、贪婪算法、粒子群算法、蚂蚁算法概念简介

遗传算法 遗传算法是计算数学中用于解决最佳化的搜索算法,是进化算法的一种.进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传.突变.自然选择以及杂交等.遗传算法通常实现方式为一种计算机模拟.对于一个最优化问题,一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化.传统上,解用二进制表示(即0和1的串),但也可以用其他表示方法.进化从完全随机个体的种群开始,之后一代一代发生.在每一代中,整个种群的适应度被评价,从当前种群中随机地选择多个个体(基于它们的适应

粒子群算法(3)----标准的粒子群算法(局部版本)

在全局版的标准粒子群算法中,每个粒子的速度的更新是根据两个因素来变化的,这两个因素是:1. 粒子自己历史最优值pi.2. 粒子群体的全局最优值pg.如果改变粒子速度更新公式,让每个粒子的速度的更新根据以下两个因素更新,A. 粒子自己历史最优值pi.B. 粒子邻域内粒子的最优值pnk.其余保持跟全局版的标准粒子群算法一样,这个算法就变为局部版的粒子群算法. 一般一个粒子i 的邻域随着迭代次数的增加而逐渐增加,开始第一次迭代,它的邻域为0,随着迭代次数邻域线性变大,最后邻域扩展到整个粒子群,这时就变

粒子群算法(2)----标准的粒子群算法

在上一节的叙述中,唯一没有给大家介绍的就是函数的这些随机的点(粒子)是如何运动的,只是说按照一定的公式更新.这个公式就是粒子群算法中的位置速度更新公式.下面就介绍这个公式是什么.在上一节中我们求取函数y=1-cos(3*x)*exp(-x)的在[0,4]最大值.并在[0,4]之间放置了两个随机的点,这些点的坐标假设为x1=1.5: x2=2.5:这里的点是一个标量,但是我们经常遇到的问题可能是更一般的情况--x为一个矢量的情况,比如二维的情况 z=2*x1+3*x22的情况.这个时候我们的每个粒

粒子群算法(1)----粒子群算法简介

一.粒子群算法的历史 粒子群算法源于复杂适应系统(Complex Adaptive System,CAS).CAS理论于1994年正式提出,CAS中的成员称为主体.比如研究鸟群系统,每个鸟在这个系统中就称为主体.主体有适应性,它能够与环境及其他的主体进行交流,并且根据交流的过程"学习"或"积累经验"改变自身结构与行为.整个系统的演变或进化包括:新层次的产生(小鸟的出生):分化和多样性的出现(鸟群中的鸟分成许多小的群):新的主题的出现(鸟寻找食物过程中,不断发现新的食

粒子群算法工具箱怎么用

问题描述 粒子群算法工具箱怎么用 小弟正在做基于matlab201的粒子群模拟退火算法,看到粒子群工具箱用法不清楚,知道的说下 解决方案 http://wenku.baidu.com/link?url=rFVTNwjTPq00EcjHP7ITZktxIriJQ8MjidPtZu2EtKFFX5a6N8PyFfyFEVZ2Ln2b5JKzPQ-emMrG-Gzb0k2Hbuuu1WnMGPyaAvPrMefn8bu