【综合评价】基于粒子群算法优化投影寻踪模型的综合评价附matlab代码-CFANZ编程社区

【综合评价】基于粒子群算法优化投影寻踪模型的综合评价附matlab代码

1 简介

利用投影寻踪法来评价水质,利用粒子群优化算法来求解最优函数问题,计算速度快,精度高.实例计算表明,基于粒子群优化算法寻找最优投影方向,方法简单,计算效率较高,收敛速度快,解决了投影寻踪过程中最优化问题,是解决复杂水质综合评价的有效途径.

2 部分代码

%function [gBest]=PSO()%PSO主函数    pso_size=100;%群体规模c1=0.5;c2=0.5;%学习因子w_max=0.8;%最大权重w_min=0.4;%最小权重w=w_max;Pb=10000000;%适应度值 Pb1=10000000;Pb2=10000000;dimens=1;%待优化问题的维数   run_max=100;%迭代次数上限X=zeros(1,pso_size);V=zeros(1,pso_size);Xb=zeros(1,pso_size);Xb1=zeros(1,pso_size);Xb2=zeros(1,pso_size);Yb=zeros(1,pso_size);Yb1=zeros(1,pso_size);Yb2=zeros(1,pso_size);P=zeros(1,8000);PL=zeros(1,pso_size);Pp=0;Pp1=0;Pp2=0;dpBest=zeros(1,pso_size);dgBest=0;gBest=0;s1=zeros(1,run_max);s2=zeros(1,run_max);q=0;L=0.05;%!!!!!!精度t=1;% !!!!!!!!!!P(t)中t初值为1for i=1:pso_size%初始化粒子速度位置    X(i)=-5+12*rand;    X1(i)=X(i);    X2(i)=X(i);    Xb(i)=X(i);    Xb1(i)=X(i);    Xb2(i)=X(i);    V(i)=(-12+24*rand)/10;endfor i=1:pso_size       Yb1(i)=f1(X(i));%计算f1中个体适应度值,步骤3    if Yb1(i)0.5           Xb(i)=Xb1(i);       else           Xb(i)=Xb2(i);       end %个体极值随机选取        else        Xb(i)=(Xb1(i)+Xb2(i))/2;%取两函数个体极值的均值    end    PL(i)=(Yb1(i)+Yb2(i))/2;%!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!    if PL(i)12     %判断是否超出Vmax                if V(k)>0                    V(k)=12;                else                    V(k)=-12;                end            end             X(k)=X(k)+V(k);             X1(k)=X(k);             X2(k)=X(k);             temp1=f1(X1(k)); %$$$$在f1中计算个体适应度值$$$$             if temp10.5              Xb(k)=Xb1(k);            else             Xb(k)=Xb2(k);             end    %$$$$个体极值随机选取          else            Xb(k)=(Xb1(k)+Xb2(k))/2;   %$$$$取两函数个体极值的均值，得到目标均衡适应度值$$$$        end            PL(k)=(Yb1(k)+Yb2(k))/2;          %flag=0;        if PL(k)