粒子群算法求解Shaffer函数全局最优源码

资 源 简 介

本项目旨在通过MATLAB编程环境完整实现标准粒子群优化算法（PSO），并将其应用于Shaffer基准测试函数的寻优过程。Shaffer函数是一类典型的复杂多峰函数，具有强烈的振荡特性和大量的局部极值点，是检验智能优化算法全局搜索能力和避免早熟收敛性能的理想对象。项目代码构建了完整的PSO算法框架，核心功能包括：1. 粒子群初始化机制，在设定的搜索空间范围内随机生成粒子的初始位置和速度向量，并允许用户自定义种群规模、搜索边界等参数；2. 适应度计算模块，针对Shaffer函数的数学表达式封装了目标函数，用于实时计算每个粒子的适应度值；3. 速度与位置更新策略，利用个体历史最优位置（Pbest）和全局历史最优位置（Gbest）的信息，结合动态惯性权重和学习因子，引导粒子向最优解区域飞行；4. 迭代优化与收敛控制，通过预设的最大迭代次数控制算法流程，并记录每代的最优值；5. 结果分析与可视化，程序不仅输出数值结果，还提供了直观的图形展示，包括Shaffer函数的3D地形图展示、粒子群动态寻优过程的散点图以及反映算法收敛速度的适应度进化曲线。该项目为研究群智能算法处理非凸、非线性优化问题提供了标准的实现范例。

详 情 说 明

基于MATLAB的粒子群算法求解Shaffer函数全局最优

项目简介

本项目是一个基于MATLAB环境开发的智能优化算法演示程序。它完整实现了标准粒子群优化算法（Particle Swarm Optimization, PSO），专门用于求解复杂的Shaffer基准测试函数（Schaffer F6）。Shaffer函数因其具备强烈的振荡特性和无数个局部极值点，常被用来检验优化算法跳出局部最优、寻找全局最优的能力。

本项目不仅实现了核心算法逻辑，还提供了丰富的可视化界面，能够实时展示粒子群在三维空间中的搜索动态以及适应度收敛曲线，帮助用户直观理解群智能算法的运行机制。

功能特性

• 标准PSO算法实现：不依赖MATLAB工具箱，从底层构建完整的粒子群迭代逻辑。
• 复杂多峰函数寻优：封装了Shaffer F6函数，精确模拟非凸、非线性优化场景。
• 动态参数调整：实现了线性递减权值策略（Linear Decreasing Inertia Weight），在迭代初期侧重全局搜索，后期侧重局部开发。
• 实时可视化：

* 收敛曲线：实时绘制适应度进化曲线，监控算法收敛速度。 * 3D寻优动态：在三维地形图上以散点形式展示粒子群的移动轨迹和分布情况。

• 边界约束控制：包含完善的速度限制和位置边界处理机制。

系统要求

• MATLAB R2016a 或更高版本（代码使用基础绘图和数学函数，兼容性较好）。
• 无需额外的工具箱（Optimization Toolbox 不是必须的，因为算法是原生实现的）。

使用方法

1. 将项目文件保存到MATLAB的工作路径中。
2. 在MATLAB命令行窗口输入 main 并回车，或在编辑器中点击“运行”。
3. 程序将弹出一个图形窗口，展示粒子群寻找最优解的动态过程。
4. 运行结束后，命令行窗口将输出全局最优解坐标、最优适应度值及理论参考值。

---

代码实现逻辑详解

本项目核心逻辑包含在 main 函数中，整个程序的执行流程如下：

1. 参数设置与环境初始化

程序首先定义了算法的关键参数：

• 种群规模：设定为50个粒子。
• 迭代次数：最大迭代200次。
• 算法因子：学习因子 $c1$（自我认知）和 $c2$（社会认知）均设为1.5；惯性权重 $w$ 设定为从0.9线性递减至0.4。
• 搜索空间：X和Y轴范围均被限制在 [-100, 100] 之间，最大飞行速度被限制为搜索范围的20%。

2. 种群初始化

在进入迭代之前，程序在设定的搜索空间内随机生成粒子的初始位置和初始速度。同时，计算每个粒子的初始适应度值，初始化个体历史最优（Pbest）为当前位置，并从中筛选出初始的全局最优（Gbest）。

3. 可视化界面构建

利用MATLAB的绘图功能预设两个子图：

• 左图：用于绘制迭代次数与适应度值的关系曲线。
• 右图：通过网格化采样生成Shaffer函数的3D曲面背景，并叠加初始粒子散点。

4. 迭代优化循环

这是程序的核心部分，包含以下步骤：

• 权重更新：根据当前迭代次数 $t$，线性降低惯性权重 $w$，公式为 $w = w_{max} - (w_{max} - w_{min}) times t / max_iter$。
• 速度更新：依据标准PSO公式更新速度，结合了上一刻速度、个体最优方向引导和全局最优方向引导。同时对速度进行截断处理，防止粒子飞行过快飞出搜索空间。
• 位置更新：根据更新后的速度移动粒子位置。若粒子超出边界，程序采用强制边界策略（Clamping），将其拉回至边界值。
• 适应度评估与更新：计算新位置的Shaffer函数值。如果优于历史记录，则更新体最优（Pbest）；如果优于全局历史记录，则更新全局最优（Gbest）。

5. 动态结果展示

为了平衡运行效率和视觉效果，程序设置为每2次迭代（以及首次和末次）刷新一次绘图：

• 更新左侧收敛曲线的数据。
• 更新右侧3D散点的坐标（X, Y）以及其在曲面上的高度（Z），使用户能观察到粒子逐渐向中心点 (0,0) 聚集的过程。

6. 结果输出

循环结束后，程序在控制台打印统计信息，包括实际运行的迭代次数、找到的全局最优解坐标 $(x, y)$ 以及对应的函数极小值。

---

关键算法与函数分析

Shaffer基准函数 (shaffer_func)

代码末尾定义的子函数实现了Schaffer F6函数的数学模型。

• 数学特性：该函数在 $(0,0)$ 处取得全局最小值0。其特点是极值点分布呈同心圆状，随着距离中心越远，振荡幅度越小，且在全局最优解附近存在大量局部极小点，极易导致算法早熟收敛。
• 实现细节：

* 分子部分：$(sin(sqrt{x_1^2 + x_2^2}))^2 - 0.5$ * 分母部分：$(1 + 0.001 times (x_1^2 + x_2^2))^2$ * 最终输出：$0.5 + text{分子} / text{分母}$

线性递减权重策略

代码中实现了动态惯性权重： w = w_max - (w_max - w_min) * t / max_iter; 这一策略是PSO算法的重要改进点。较大的 $w$ 有利于全局探索（Exploration），防止陷入局部最优；较小的 $w$ 有利于局部开发（Exploitation），提高收敛精度。随时间线性递减的设置使得算法在初期具备广阔的搜索能力，而在后期能精细搜索最优解。

边界处理机制

代码采用了硬约束（Absorbing boundary condition）的方式处理越界粒子： pop_pos(i, pop_pos(i,:) > x_max) = x_max; 当粒子试图飞出设定区域 [-100, 100] 时，其坐标会被直接重置为边界值。这保证了所有解都在有效的定义域内。