基于 MATLAB PSO 工具箱的函数寻优算法

MATLAB 自带Particle Swarm OptimizationPSO工具箱核心函数是particleswarm属于Global Optimization Toolbox。下面从原理 → 参数 → 代码实战 → 高级用法 → 常见问题系统讲解。一、PSO 核心原理快速回顾**粒子群优化PSO**是一种群体智能优化算法模仿鸟群觅食行为每个“粒子”代表一个候选解粒子根据自身历史最优pbest和群体历史最优gbest更新位置和速度通过迭代逼近全局最优解更新公式vit1wvitc1r1(pbesti−xit)c2r2(gbest−xit) v_i^{t1} w v_i^t c_1 r_1 (pbest_i - x_i^t) c_2 r_2 (gbest - x_i^t)vit1​wvit​c1​r1​(pbesti​−xit​)c2​r2​(gbest−xit​)xit1xitvit1 x_i^{t1} x_i^t v_i^{t1}xit1​xit​vit1​参数含义www惯性权重c1c_1c1​个体学习因子c2c_2c2​社会学习因子r1,r2r_1, r_2r1​,r2​[0,1] 随机数二、MATLAB PSO 工具箱核心函数1、主函数particleswarm[x,fval,exitflag,output]particleswarm(fun,nvars)参数说明fun目标函数最小化nvars变量维度x最优解fval最优函数值exitflag退出标志output迭代信息三、基础示例无约束函数寻优示例 1Sphere 函数经典测试函数f(x)∑i1nxi2 f(x) \sum_{i1}^{n} x_i^2f(x)i1∑n​xi2​全局最小值f(0,...,0) 0clc;clear;close all;%% 1. 定义目标函数fun(x)sum(x.^2);%% 2. PSO 参数nvars5;% 变量维度lb-10*ones(1,nvars);% 下界ub10*ones(1,nvars);% 上界optionsoptimoptions(particleswarm,...SwarmSize,50,...% 粒子数MaxIterations,100,...% 最大迭代次数Display,iter,...% 显示迭代信息HybridFcn,fmincon);% 混合局部搜索提高精度%% 3. 调用 PSO[x_best,fval]particleswarm(fun,nvars,lb,ub,options);%% 4. 输出结果fprintf(最优解 x \n);disp(x_best);fprintf(最优函数值 f(x) %.6e\n,fval);四、带约束的 PSO 寻优示例 2带不等式约束的优化问题min⁡f(x)x12x22 \min f(x) x_1^2 x_2^2minf(x)x12​x22​s.t.x1x2≥1 s.t.\quad x_1 x_2 \ge 1s.t.x1​x2​≥1clc;clear;%% 目标函数fun(x)x(1)^2x(2)^2;%% 非线性约束nonlcon(x)deal([],1-x(1)-x(2));% c(x) ≤ 0%% 变量边界lb[0,0];ub[5,5];%% PSO 参数optionsoptimoptions(particleswarm,...SwarmSize,40,...MaxIterations,80,...Display,final);%% 求解[x_best,fval]particleswarm(fun,2,lb,ub,options);% 使用 fmincon 精修[x_refined,fval_refined]fmincon(fun,x_best,[],[],[],[],lb,ub,nonlcon);fprintf(PSO 结果: f %.4f\n,fval);fprintf(精修结果: f %.4f\n,fval_refined);五、工程级 PSO 参数配置非常重要推荐参数组合经验值参数推荐值说明SwarmSize30–100粒子越多越稳但越慢MaxIterations50–500维度越高迭代越多InertiaRange[0.1, 1.1]自适应惯性权重SelfAdjustmentWeight1.5c1c_1c1​SocialAdjustmentWeight1.5c2c_2c2​HybridFcnfmincon强烈推荐参数设置模板直接可用optionsoptimoptions(particleswarm,...SwarmSize,60,...MaxIterations,200,...InertiaRange,[0.2,1.0],...SelfAdjustmentWeight,1.49,...SocialAdjustmentWeight,1.49,...MinNeighborsFraction,0.25,...Display,iter,...PlotFcn,pswplotbestf,...HybridFcn,{fmincon});六、多目标 PSOMOPSOMATLAB 原生particleswarm不支持多目标但可手动实现权重法fmultiw1f1w2f2 f_{multi} w_1 f_1 w_2 f_2fmulti​w1​f1​w2​f2​fun1(x)x(1)^2x(2)^2;fun2(x)(x(1)-2)^2(x(2)-2)^2;w10.6;w20.4;fun_multi(x)w1*fun1(x)w2*fun2(x);[x_best,fval]particleswarm(fun_multi,2,[00],[55]);参考代码 基于PSO工具箱的函数寻优算法www.youwenfan.com/contentcsv/79169.html七、PSO 在工程优化中的典型应用1、神经网络权值优化替代 BP% 定义 NN 权值编码fun(w)neural_network_loss(w,X_train,Y_train);lb-5*ones(size(w0));ub5*ones(size(w0));w_bestparticleswarm(fun,length(w0),lb,ub);2、SVM / 机器学习超参数寻优fun(params)svm_cross_validation(params,X,Y);% params [C, gamma]lb[0.1,0.01];ub[100,10];best_paramsparticleswarm(fun,2,lb,ub);3、控制系统 PID 参数整定fun(K)pid_cost_function(K,plant_model);K_bestparticleswarm(fun,3,[000],[101010]);八、PSO 与 GA、DE 的对比算法收敛速度全局搜索参数敏感性工程推荐PSO⭐⭐⭐⭐⭐⭐⭐低首选GA⭐⭐⭐⭐⭐⭐高备选DE⭐⭐⭐⭐⭐⭐⭐中复杂问题工程经验90% 的工程优化问题PSO fmincon 混合策略是最优解。九、完整工程模板clc;clear;close all;%% 1. 问题定义fun(x)x(1)^2x(2)^2sin(3*x(1)x(2));nvars2;lb[-5,-5];ub[5,5];%% 2. PSO 参数optionsoptimoptions(particleswarm,...SwarmSize,80,...MaxIterations,150,...InertiaRange,[0.2,1.0],...SelfAdjustmentWeight,1.49,...SocialAdjustmentWeight,1.49,...Display,iter,...PlotFcn,pswplotbestf,...HybridFcn,fmincon);%% 3. 优化[x_best,fval]particleswarm(fun,nvars,lb,ub,options);%% 4. 结果fprintf(最优解: x1%.4f, x2%.4f\n,x_best(1),x_best(2));fprintf(最优值: f%.6e\n,fval);