【Matlab算法】粒子群算法求解一维线性函数问题(附MATLAB代码)

news/2024/10/30 9:27:43/

MATLAB求解一维线性函数问题

  • 前言
  • 正文
  • 函数实现
  • 可视化处理
    • 可视化结果

前言

一维线性函数,也称为一次函数,是指只有一个自变量xxx的函数,且函数表达式可以写成y=ax+by=ax+by=ax+b的形式,其中aaabbb是常数。具体来说,aaa称为斜率,决定了函数图像的倾斜程度;bbb称为截距,决定了函数图像与yyy轴的交点位置。
优化一维线性函数的目标是找到一个使得函数值最小或最大的xxx值。

粒子群算法(Particle Swarm Optimization,PSO) 是一种启发式优化算法,它源于对鸟群捕食行为的研究。在粒子群算法中,被优化的问题被视为一个多维空间中的目标函数,算法通过模拟群体中每个粒子在空间中的搜索行为来寻找目标函数的全局最优解。

每个粒子在搜索空间中的位置表示一个潜在解,其速度表示了搜索方向和步长。每个粒子具有一个适应度值,该适应度值根据目标函数的表现来计算。粒子群算法通过协同粒子的行为来优化目标函数。粒子的速度和位置在每个迭代中被更新,使其朝着群体中的最佳位置和全局最佳位置移动。

粒子群算法的运行过程如下:

  1. 初始化粒子群,包括每个粒子的初始位置和速度,并设置全局最佳位置和全局最佳适应度值为初始值。
  2. 计算每个粒子的适应度值,更新全局最佳位置和全局最佳适应度值。
  3. 更新每个粒子的速度和位置,根据每个粒子当前位置与全局最佳位置之间的差异来调整速度和位置。
  4. 重复步骤23,直到达到指定的停止准则,如达到最大迭代次数或满足收敛要求。

在实践中,粒子群算法经常与其他优化算法结合使用,例如遗传算法、模拟退火等。这些算法的组合可以提高搜索效率和准确性,从而提高优化问题的解决效率。

正文

粒子群算法可以用来优化一维线性函数。具体地,我们可以将一维线性函数f(x)f(x)f(x)转化为目标函数y(x)y(x)y(x),使得y(x)y(x)y(x)的取值范围为[0, 1],且函数值越小表示越优,函数值越大表示越差。具体转化方式如下:

y(x)=f(x)−min⁡f(x)max⁡f(x)−min⁡f(x)y(x) = \frac{f(x) - \min f(x)}{\max f(x) - \min f(x)}y(x)=maxf(x)minf(x)f(x)minf(x)

其中max⁡f(x)\max f(x)maxf(x)min⁡f(x)\min f(x)minf(x)分别是函数f(x)f(x)f(x)在一定区间内的最大值和最小值。这样,优化f(x)f(x)f(x)就可以转化为优化y(x)y(x)y(x),即找到使得y(x)y(x)y(x)最小的xxx值。

在粒子群算法中,我们可以初始化一些粒子,并在每一次迭代中更新粒子的速度和位置,直到达到一定的停止条件。在更新速度和位置时,我们需要使用上文提到的公式,同时需要指定一些超参数,例如学习因子、惯性权重、加速度权重等。具体可以参考之前的回答。

在优化一维线性函数时,粒子群算法可以在一定的迭代次数内找到一个相对较优的解。但是需要注意,对于线性函数,我们也可以通过解析求导的方式直接求得最优解,因此粒子群算法在实际中并不常用于优化线性函数。

函数实现

%%
clear
close all
warning off
clc
%%
% 调用粒子群算法求解
x_min = -10;
x_max = 10;
n_pop = 50;
n_iter = 100;
w = 0.8;
c1 = 1.5;
c2 = 1.5;
[gbest, gbest_val] = pso(@objfun, x_min, x_max, n_pop, n_iter, w, c1, c2);% 输出结果
fprintf('最优解:x = %f,最优值:%f\n', gbest, gbest_val);% 目标函数
function y = objfun(x)y = 2*(x-3).^2 + 10;
end% 粒子群算法
function [gbest, gbest_val] = pso(objfun, x_min, x_max, n_pop, n_iter, w, c1, c2)% 参数设置x_range = x_max - x_min;v_min = -x_range;v_max = x_range;% 初始化粒子pop = x_min + rand(n_pop, 1) * x_range;v = v_min + rand(n_pop, 1) * (v_max - v_min);pbest = pop;pbest_val = objfun(pop);[gbest_val, gbest_idx] = min(pbest_val);gbest = pbest(gbest_idx);% 迭代for i = 1:n_iter% 更新速度和位置r1 = rand(n_pop, 1);r2 = rand(n_pop, 1);v = w*v + c1*r1.*(pbest-pop) + c2*r2.*(gbest-pop);pop = pop + v;% 边界处理pop(pop < x_min) = x_min;pop(pop > x_max) = x_max;% 更新个体历史最优和全局历史最优pbest_val_new = objfun(pop);pbest_update_idx = pbest_val_new < pbest_val;pbest(pbest_update_idx) = pop(pbest_update_idx);pbest_val(pbest_update_idx) = pbest_val_new(pbest_update_idx);[gbest_val_new, gbest_idx_new] = min(pbest_val);if gbest_val_new < gbest_valgbest = pbest(gbest_idx_new);gbest_val = gbest_val_new;endend
end

通过改变xxx的范围xmin=−10;xmax=10;x_min = -10;x_max = 10;xmin=10;xmax=10;来得到一维线性函数的最优值

可视化处理

%%
clear
close all
warning off
clc
%%
% 调用粒子群算法求解
x_min = -10;
x_max = 10;
n_pop = 50;
n_iter = 100;
w = 0.8;
c1 = 1.5;
c2 = 1.5;
[gbest, gbest_val] = pso(@objfun, x_min, x_max, n_pop, n_iter, w, c1, c2);% 输出结果
fprintf('最优解:x = %f,最优值:%f\n', gbest, gbest_val);% 可视化处理
x = linspace(x_min, x_max, 1000);
y = objfun(x);
figure();
plot(x, y, 'linewidth', 2);
hold on;
scatter(gbest, gbest_val, 100, 'r', 'filled');
xlabel('x');
ylabel('y');
title('PSO for 1D Nonlinear Function');
legend('Objective Function', 'Optimum');
grid on;% 目标函数
function y = objfun(x)y = 2*(x-3).^2 + 10;
end% 粒子群算法
function [gbest, gbest_val] = pso(objfun, x_min, x_max, n_pop, n_iter, w, c1, c2)% 参数设置x_range = x_max - x_min;v_min = -x_range;v_max = x_range;% 初始化粒子pop = x_min + rand(n_pop, 1) * x_range;v = v_min + rand(n_pop, 1) * (v_max - v_min);pbest = pop;pbest_val = objfun(pop);[gbest_val, gbest_idx] = min(pbest_val);gbest = pbest(gbest_idx);% 迭代for i = 1:n_iter% 更新速度和位置r1 = rand(n_pop, 1);r2 = rand(n_pop, 1);v = w*v + c1*r1.*(pbest-pop) + c2*r2.*(gbest-pop);pop = pop + v;% 边界处理pop(pop < x_min) = x_min;pop(pop > x_max) = x_max;% 更新个体历史最优和全局历史最优pbest_val_new = objfun(pop);pbest_update_idx = pbest_val_new < pbest_val;pbest(pbest_update_idx) = pop(pbest_update_idx);pbest_val(pbest_update_idx) = pbest_val_new(pbest_update_idx);[gbest_val_new, gbest_idx_new] = min(pbest_val);if gbest_val_new < gbest_valgbest = pbest(gbest_idx_new);gbest_val = gbest_val_new;endend
end

可视化结果

函数y = 2*(x-3).^2 + 10


http://www.ppmy.cn/news/32587.html

相关文章

ChatGPT大解密:带您探讨机器学习背后的秘密、利用与发展

一、什么是机器学习&#xff1f;二、ChatGPT 的运作原理三、ChatGPT 生活利用1、自然语言处理2、翻译3、自动回复四、ChatGPT vs 其他相关技术五、ChatGPT 的未来1、未来发展2、职业取代3、客服人员4、翻译人员5、语言学家6、机遇与挑战六、结语这篇文章&#xff0c;将带着各位…

数据结构—二叉树链式结构的实现

目录 0、前言 1、二叉树链式结构的创建 2、二叉树的遍历 3、 前序、中序以及后序遍历 4、 前序、中序以及后序遍历的实现——双路递归 分治思想 求叶子节点数量&#xff0c;分治思想&#xff1a; 分治思想 求第k层节点个数&#xff1a; ​编辑 分治思想 求二叉树的深…

QT Plugin 插件开发

插件是一种&#xff08;遵循一定规范的应用程序接口编写出来的&#xff09;程序&#xff0c;定位于开发实现应用软件平台不具备的功能的程序。 插件必须依赖于应用程序才能发挥自身功能&#xff0c;仅靠插件是无法正常运行的&#xff1b;相反地&#xff0c;应用程序并不…

全连接神经网络

目录 1.全连接神经网络简介 2.MLP分类模型 2.1 数据准备与探索 2.2 搭建网络并可视化 2.3 使用未预处理的数据训练模型 2.4 使用预处理后的数据进行模型训练 3. MLP回归模型 3.1 数据准备 3.2 搭建回归预测网络 1.全连接神经网络简介 全连接神经网络(Multi-Layer Percep…

【MySQL】聚合查询

目录 1、前言 2、插入查询结果 3、聚合查询 3.1 聚合函数 3.1.1 count 3.1.2 sum 3.1.3 avg 3.1.4 max 和 min 4、GROUP BY 子句 5、HAVING 关键字 1、前言 前面的内容已经把基础的增删改查介绍的差不多了&#xff0c;也介绍了表的相关约束&#xff0c; 从本期开始…

关于SQL优化的几点说明

1. ORACLE DBA是如何进行SQL优化的 作为一个Oracle数据库管理员(DBA),SQL优化是他们的日常工作之一,主要目标是优化查询性能,减少查询时间,并提高数据库的整体性能。 以下是Oracle DBA如何进行SQL优化的一般流程: 监控和诊断:首先,DBA需要通过Oracle的监控工具来监控数据…

改进YOLO系列 | CVPR2023最新 PConv | 提供 YOLOv5 / YOLOv7 / YOLOv7-tiny 模型 YAML 文件

DWConv是Conv的一种流行变体,已被广泛用作许多神经网络的关键构建块。对于输入 I ∈ R c h w I \in R^{c \times h \times w} I∈

windows 系统下 workerman 在同一个运行窗口中开启多个 websocket 服务

✨ 目录&#x1f388; 开启多个 ws 服务失败&#x1f388; 开启服务失败解决办法&#x1f388; 同一个窗口中运行&#x1f388; 开启多个 ws 服务失败 正常情况下&#xff0c;如果你想开启多个 websocket 服务的话只要在一个文件中&#xff0c;输入 new Worker 两次&#xff0…