量子粒子群算法

clc
clear all
popsize=240;    %种群规模
dimension=30;   %维数
runno=10;
MAXITER=2000;
irange_l=-1;  
irange_r=1;
xmax=1;        %x的变化范围
sum1=0;
sum2=0;
mean=0;
st=0;
data1=zeros(runno,MAXITER);   %10*2000型矩阵
for run=1:runno %runno：外层最大迭代次数
T=cputime;         %程序开始时间
x=(irange_r- irange_l)*rand(popsize,dimension,1) + irange_l;   %初始化种群，将x的范围映射到[-5.12,5.12]空间内
pbest=x;     %初始化所有个体：20*30
gbest=zeros(1,dimension);    %初始化全局最优个体:1*30
for i=1:popsize            %个体循环          
    f_x(i)=f3(x(i,:));           %计算个体极值，f3是计算30维数字的和
    f_pbest(i)=f_x(i);
end
    g=min(find(f_pbest==min(f_pbest(1:popsize))));   %计算全局极值。在个体极值中找到全局极值的位置（数值最低者）
    gbest=pbest(g,:);%全局极值个体
    f_gbest=f_pbest(g);%全局极值
    MINIMUM=f_pbest(g);%全局极值个体                     
for t=1:MAXITER%内层：更新策略最大迭代次数
    beta=(MAXITER-t)/MAXITER+0.5;         %学习系数，收缩扩张系数
     mbest=sum(pbest)/popsize;
for i=1:popsize  
        fi=rand(1,dimension);%区间[0,1]内均匀分布的随机数，fi=rand(3,atom_num)
        p=fi.*pbest(i,:)+(1-fi).*gbest;%pbest(i,:):个体最优位置，gbest：全局最优位置
        u=rand(1,dimension);%同fi
        b=beta*(mbest-x(i,:));%x(i,:)：当前位置 pop{j}
        v=-log(u);
        y=p+((-1).^ceil(0.5+rand(1,dimension))).*b.*v;%位置更新公式
        x(i,:)=y;%位置更新完成
        x(i,:)=sign(y).*min(abs(y),xmax); %sign：符号函数 abs：绝对值函数
            f_x(i)=f3(x(i,:));%计算个体适应度值
            if f_x(i)1e-007%查询是否满足精度要求
        mean=t;%每次单独进化次数时达到要求时的迭代次数
    end
  end
sum1=sum1+mean;  
sum2=sum2+MINIMUM;%最优解的和
 %MINIMUM
time=cputime-T;%运行更新程序的时间
st=st+time;%单独运行10次总时间综合
end
av1=sum1/10;  %输出平均收验代数
st/10;  %运行单次更新程序的时间
av2=sum2/10 %输出平均最优解

function y=f3(x)
dimension=30;   %维数
y=0;
for j=1:dimension
        y=y+x(:,j);%计算1*30矩阵所有元素的和
end