离散粒子群算法（DPSO）求解路径规划（Matlab代码实现）
欢迎来到本博客❤️❤️❤️
作者研究：本科计算机专业，研究生电气学硕。主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者，博主专门做了一个专栏目录，整个专栏只放了一篇文章，足见我对其重视程度：博主专栏目录。做到极度细致，方便大家进行学习！亲民！！！还有我开了一个专栏给女朋友的，很浪漫的喔，代码学累的时候去瞧一瞧，看一看：女朋友的浪漫邂逅。有问题可以私密博主，博主看到会在第一时间回复。
目前更新：电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
支持：如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！
欢迎您的到来
⛅⛅⛅ 个人主页：电力系统科研室
专栏目录：电力系统与算法之美
博主课外兴趣：中西方哲学，送予读者：
做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记：科研和哲思。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......
本文目录如下：⛳️⛳️⛳️
目录
1 离散粒子群算法
2 Matlab代码实现
3 写在最后
1 离散粒子群算法
普通粒子群算法（Particle Swarm Optimization Algorithm，PSO）的粒子初始位置、更新速度都是连续函数，与之对应，位置和速度更新均为离散值的算法是离散PSO算法（Discrete Particle Swarm Optimization Algorithm， DPSO）；
一般就是在跟新粒子位置后，对粒子进行离散点处理；
比如：你的粒子的离散点是0到9的整数。那么对每个粒子更新位置后，比如是在（0,1）范围内的随机数。那么就（0，0.1）范围令其值为0；（0.1,0.2）范围令其值为1；............（0.9.1）范围令其值为9。当然初始位置值也需要这样处理.
2 Matlab代码实现
本文仅展现部分代码，全部代码见：正在为您运送作品详情
function main()
%% 初始化城市位置向量
city_nums=5;
%% 初始化微粒群参数
particle_nums=100;
%% 最大进化代数
max_iter=100;
%% 速度位置更新方式 v=（c1max-i/itermax*(c1max-c1min)）*v+c2(Pbest-Pi)+c3(Pgbest-Pi);
%% 速度由N*N的矩阵来表示；
%% 微粒个数为particle_nums;
%% position_Matrix(1:city_nums):当前微粒路径
%% position_Matrix(city_nums+1):当前微粒适应度值
%% position_Matrix(city_nums+2:2*city_nums+1):个体最优路径
%% position_Matrix(2*city_nums+2):个体最优适应度值
city_position_x_max=10;city_position_y_max=10;city_position=rand(city_nums,2);
city_position(:,1)=city_position(:,1)*city_position_x_max;
city_position(:,2)=city_position(:,2)*city_position_y_max;
%% 初始化城市距离矩阵
city_distance=zeros(city_nums,city_nums);
for i=1:city_nums
for j=1:i
city_distance(i,j)=sqrt((city_position(i,1)-city_position(j,1)).^2+(city_position(i,1)-city_position(j,1)).^2);
city_distance(j,i)=city_distance(i,j);
end
end
position_Matrix=zeros(2*city_nums+2,particle_nums);
speed_current_Matrix=zeros(city_nums,city_nums,particle_nums);
c_x=0.5;c_1_min=0.0;c_1_max=1;c_2=0.4;c_3=0.2;
%% 初始化微粒的速度和位置
for i=1:particle_nums
position_Matrix(1:city_nums,i)=wGenerate(city_nums);
position_Matrix(city_nums+1,i)=calFitness(position_Matrix(1:city_nums,i),city_distance);
position_Matrix(city_nums+2:2*city_nums+1,i)=position_Matrix(1:city_nums,i);
position_Matrix(2*city_nums+2,i)=position_Matrix(city_nums+1,i);
st_Matrix=ones(city_nums).*c_x-eye(city_nums)>rand(city_nums);
speed_current_Matrix(:,:,i)=(st_Matrix+st_Matrix')>ones(city_nums);
end
[globalBestFitness,thisIndex]=min(position_Matrix(2*city_nums+2,:),[],2);
globalBestPath=position_Matrix(city_nums+2:2*city_nums+1,thisIndex);
pathPlot(globalBestPath,city_position)
title(num2str(globalBestFitness));
%% 迭代过程
for iter=1:max_iter
for i=1:particle_nums
PbestLinkM=linkM(position_Matrix(city_nums+2:2*city_nums+1,i));
PgbestLinkM=linkM(globalBestPath);
v_1_M=PM2VM(speed_current_Matrix(:,:,i),c_1_max-i./max_iter*(c_1_max-c_1_min));
v_2_M=PM2VM(sub_M(PbestLinkM,speed_current_Matrix(:,:,i)),c_2);
v_3_M=PM2VM(sub_M(PgbestLinkM,speed_current_Matrix(:,:,i)),c_3);
v_M=and_M(and_M(v_1_M,v_2_M),v_3_M);
for j=1:city_nums
for k=j:city_nums
if(v_M(j,k)==1)
position_Matrix(1:city_nums,i)=add_M(position_Matrix(1:city_nums,i),[j;k]);
end
end
end
position_Matrix(city_nums+1,i)=calFitness(position_Matrix(1:city_nums,i),city_distance);
if(position_Matrix(city_nums+1,i)rand(city_nums);
% speed_current_Matrix(:,:,thisIndex)=(st_Matrix+st_Matrix')>ones(city_nums);
end
grid on;
figure
pathPlot(globalBestPath,city_position)
title(num2str(globalBestFitness)); 3 写在最后
部分理论引用网络文献，若有侵权请联系博主删除。