-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathw_PSO.m
221 lines (195 loc) · 9.12 KB
/
w_PSO.m
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
% 函数功能：用粒子群算法寻找使二位云模型误差率最小的分段点
% 输入：训练集--traindata ；训练集标签--trainlabel ；测试集--testdata ；测试集标签--testlabel； 分段数--w； 数据集名称--Name（字符串）
% 输出：误差率最小的分段点位置行向量--SegPoint；最小的误差率--error_rate
% 调用函数：twoD_NCR_Seg.m;
function [SegPoint, error_rate] = w_PSO(traindata, trainlabel, testdata, testlabel, w, Name)
dbstop if error % 调试使用
%% 粒子群初始化
[~, n] = size(traindata);
N = 20; % 种群规模
D = w - 1; % 粒子维度，w-1个点将序列分成w段
T_init = 1;
T = 100;
Xmin = 1; % 粒子坐标的范围
Xmax = n - 1;
Vmin = -(n - 1);
Vmax = n - 1; % 粒子飞行速度的范围
% ww = 0.8; % 惯性系数
c1 = 1.5; % 认知系数
c2 = 1.5; % 社会学习系数
% 初始化粒子群的位置和速度
[~, popx] = sort(rand(N, n), 2);
popx = sort(popx(:, 1: D), 2); % 粒子群坐标初始化，每一行表示每个粒子的分段点坐标（不能重复）
popv = round(rand(N, D) * (Vmax - Vmin) + Vmin); % 粒子群速度初始化，每一行表示每个粒子的速度
% 每个粒子的最佳位置初始化
pBest = popx;
pBestValue = zeros(N, 1); % 计算每个粒子的适应度函数（这里是二维云的误差）
for i = 1: N
[~, pBestValue(i)] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, popx(i, :), Name);
end
% 粒子群的全局最佳位置初始化（这里是误差率最小的分段坐标）
[gBestValue, index] = min(pBestValue);
gBest = pBest(index, :);
% 绘制误差率随着迭代的变化，观察是否收敛，调试用
gBestValue_plot = zeros(T, 1);
figure;
set(gcf, 'unit', 'centimeters', 'Position', [10, 5, 9, 7]); % 设置图像大小
%% 更新个体的位置和速度
for t = 1: T % 迭代次数T
ww = 0.9 - (0.9 - 0.4) * T_init / T; % 惯性系数,随迭代次数增加而递减
%% 遗传算法更新粒子位置和速度，放在粒子群算法之前，省去了检测重复的步骤
if rand < 0.6
num = ceil(0.2 * N); % 从N个粒子群中抽出百分比0.2的粒子，数目为num，向上取整
%%%%%%%%%%%%%选择%%%%%%%%%%%%%%%
% 轮盘赌转方式
if mod(num, 2) % num是奇数
num = num + 1;
end
pBestValue_one = pBestValue / sum(pBestValue);
pBestValue_one_cumsum = cumsum(pBestValue_one); % 计算累计概率，pBestValue大的更容易被抽到
popx_pool = zeros(num, D);
I = zeros(num, 1); % 存储抽到的索引值
for i = 1: num % 轮盘赌转num次
k = 0;
while any(I == k)
k = find(pBestValue_one_cumsum >= rand, 1); % 提取下标值
end
popx_pool(i, :) = popx(k, :);
I(i) = k;
end
%%%%%%%%%%%%%交叉%%%%%%%%%%%%%%%
for i = 1: 2: num
index = round(rand(1, D));
childx1 = sort(popx_pool(i, :) .* index + popx_pool(i + 1, :) .* (1 - index));
childx2 = sort(popx_pool(i, :) .* (1 - index) + popx_pool(i + 1, :) .* index);
if all(childx1(1: end - 1) ~= childx1(2: end)) % 检测是否有重复元素
[~, childx1_error_rate] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, childx1, Name); % 计算交叉后的误差率
popx(I(i), :) = childx1;
if childx1_error_rate < pBestValue(I(i)) % 如果交叉后误差率变小，那么保留交叉后的结果
pBest(I(i), :) = childx1;
pBestValue(I(i)) = childx1_error_rate;
end
popv(I(i), :) = popx_pool(i, :) - childx1;
end
if all(childx2(1: end - 1) ~= childx2(2: end)) % 检测是否有重复元素
popx(I(i + 1), :) = childx2;
[~, childx2_error_rate] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, childx2, Name); % 计算交叉后的误差率
if childx2_error_rate < pBestValue(I(i + 1)) % 如果交叉后误差率变小，那么保留交叉后的结果
pBest(I(i + 1), :) = childx2;
pBestValue(I(i + 1)) = childx2_error_rate;
end
popv(I(i + 1), :) = popx_pool(i + 1, :) - childx2;
end
end
end
%{
childv_flag = 0;
cpoint = randperm(D - 1, 1); % 随机生成交叉点
childx1 = sort([popx_pool(j, 1: cpoint), popx_pool(j + 1, cpoint + 1: end)]); % 交叉后的后代
if all(childx1(1: end - 1) ~= childx1(2: end)) % 检测是否有重复元素
[~, childx1_error_rate] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, childx1, Name); % 计算交叉后的误差率
if childx1_error_rate < pBestValue(I(j)) % 如果交叉后误差率变小，那么保留交叉后的结果
popx(I(j), :) = childx1;
pBest(I(j), :) = childx1;
pBestValue(I(j)) = childx1_error_rate;
childv_flag = 1; % 后面需要更新popv
end
end
childx2 = sort([popx_pool(j + 1, 1: cpoint), popx_pool(j, cpoint + 1: end)]); % 交叉后的后代
if all(childx2(1: end - 1) ~= childx2(2: end)) % 检测是否有重复元素
[~, childx2_error_rate] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, childx2, Name); % 计算交叉后的误差率
if childx2_error_rate < pBestValue(I(j)) % 如果交叉后误差率变小，那么保留交叉后的结果
popx(I(j), :) = childx2;
pBest(I(j), :) = childx2;
pBestValue(I(j)) = childx2_error_rate;
childv_flag = 1;
end
end
childv = (popv_pool(i, :) + popv_pool(i + 1, :)) .* norm(popv_pool(i, :), 2) ./ ...
norm(popv_pool(i, :) + popv_pool(i + 1, :), 2); % 分子分母数太大容易出现NaN
if any(isnan(childv)) == 0 % 防止childv得到NaN出错
popv(I(i), :) = round(childv);
end
%}
%{
%%%%%%%%%%%%%选择%%%%%%%%%%%%%%%
[~, I] = sort(pBestValue, 'descend'); % pBestValue大的表现越不好，把最大的num个拿出来给popx_pool, popv_pool
popx_pool = popx(I(1: num + 1), :); % num多一个是为下面交叉准备的
%%%%%%%%%%%%%交叉%%%%%%%%%%%%%%%
for i = 1: num % 对popx_pool的第i个依次交叉
childx = [popx_pool(i, :), popx_pool(i + 1, :)];
childx = childx(randperm(length(childx))); % 把popx_pool两行打乱
childx = sort(reshape(childx, 2, []), 2); % 得到两行交叉后的后代
index = any(childx(:, 1: end - 1) == childx(:, 2: end), 2); % index是chidlx中有重复元素的那行的索引
childx(index, :) = []; % 此时的chidlx每一行元素都是不重复的
x = size(childx, 1); % childx还剩x行
childx_error_rate = zeros(x, 1); % 求出chidx对应的误差率
for j = 1: x
[~, childx_error_rate(j)] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, childx(j, :), Name);
end
popx_faAchi = [popx_pool(i, :); childx];
error_rate_faAchi = [pBestValue(I(i)); childx_error_rate];
% 轮盘赌转方式留下交叉后的popx
error_rate_pool = 1 ./ error_rate_faAchi; % 轮盘赌转概率越大越容易抽到，而我们更想抽概率小的
error_rate_pool = error_rate_pool ./ sum(error_rate_pool);
error_rate_cumsum = cumsum(error_rate_pool); % 计算累计概率，pBestValue大的更容易被抽到
k = find(error_rate_cumsum >= rand, 1); % 赌转一次提取下标值
popx(I(i), :) = popx_faAchi(k, :); % 更新粒子交叉后的位置
if error_rate_faAchi(k) < pBestValue(I(i)) % 更新个体最优
pBest(I(i), :) = popx_faAchi(k, :);
pBestValue(I(i)) = error_rate_faAchi(k);
if pBestValue(I(i)) < gBestValue % 更新全局最优
gBest = pBest(I(i), :);
gBestValue = pBestValue(I(i));
end
end
if k ~= 1 % popx变化了
childv = ww * popx_faAchi(1, :) - popx_faAchi(k, :);
popv(I(i), :) = childv;
end
end
%}
%% 粒子群算法更新个体的位置和速度
for i = 1: N % 一共N个粒子，逐个更新
flag = 1;
while flag % 为了实现直到型循环
popv(i, :) = round(ww * popv(i, :) + c1 * rand * (pBest(i, :) - popx(i, :)) + c2 * rand * (gBest - popx(i, :)));
popv(i, popv(i, :) > Vmax) = randi(Vmax, 1, sum(popv(i, :) > Vmax)); % 这里没加有一次跳不出循环了
popv(i, popv(i, :) < Vmin) = -randi(Vmax, 1, sum(popv(i, :) < Vmin));
popx(i, :) = sort(popx(i, :) + popv(i, :));
popx(i, popx(i, :) > Xmax) = Xmax;
popx(i, popx(i, :) < Xmin) = Xmin;
if w == 2 % 此时popx为列向量，一定不重复
flag = 0;
elseif all(popx(i, 1: end - 1) ~= popx(i, 2: end)) % popx第i行所有相邻元素都不重复
flag = 0;
end
end
% 更新粒子历史最优
disp(['更新到粒子 ', num2str(i)]);% 调试时使用
[~, error_rate] = twoD_NCR_Seg(traindata, trainlabel, testdata, testlabel, popx(i, :), Name);
if error_rate < pBestValue(i) % 更新个体最优
pBest(i, :) = popx(i, :);
pBestValue(i) = error_rate;
if pBestValue(i) < gBestValue % 更新全局最优，这里不能把pBestValue(i)换成error_rate，因为前面交叉变异改变了pBestValue
gBest = pBest(i, :);
gBestValue = pBestValue(i);
end
end
end
T_init = T_init + 1;
gBestValue_plot(t) = gBestValue;
%% 调试时使用
disp(['分段数 ', num2str(w), ' 迭代次数 = ',num2str(t), ' 全局最优值 = ',num2str(gBestValue)]);
plot(gBestValue_plot);
xlabel('迭代次数');
ylabel('误差率');
xlim([1 T]); % 坐标轴设置
title(['数据集 ', Name, ' 分段数 ', num2str(w)]); % 图题
set(gca, 'FontName', '宋体', 'FontSize', 10.5);
drawnow
end
%% 粒子群迭代完成，输出全局最优值
SegPoint = gBest;
error_rate = gBestValue;
end