自适应变异粒子群算法 matlab代码实现

自适应变异粒子群算法（Adaptive Mutation Particle Swarm Optimization，AMPSO）是一种改进的粒子群算法，它能够自适应地调整变异概率，从而增强算法的全局搜索能力和收敛速度。下面是MATLAB代码实现：

function [gbest,gbestval]=AMPSO(fhd,nop,dim,max_iter,xmin,xmax)
% fhd: function handle of the objective function
% nop: number of particles
% dim: dimension of the problem
% max_iter: maximum number of iterations
% xmin, xmax: lower and upper bounds of the search space
% gbest: global best position
% gbestval: global best value

% initialization
w=0.729; % inertia weight
c1=1.49445; % acceleration coefficients
c2=1.49445;
vmax=(xmax-xmin)/2; % maximum velocity
vmin=-vmax; % minimum velocity
pm=0.1; % initial mutation probability
pm_max=0.5; % maximum mutation probability
pm_min=0.01; % minimum mutation probability
pm_inc=0.01; % mutation probability increment
pm_dec=0.005; % mutation probability decrement
pm_updt=50; % mutation probability update interval
pm_cnt=0; % mutation probability update counter
gbest=ones(1,dim)*Inf; % initialize global best position
gbestval=Inf; % initialize global best value
pbest=zeros(nop,dim); % initialize personal best positions
pbestval=Inf*ones(nop,1); % initialize personal best values
x=xmin+rand(nop,dim).*(xmax-xmin); % initialize positions
v=vmin+rand(nop,dim).*(vmax-vmin); % initialize velocities
mut=zeros(nop,dim); % initialize mutations
for i=1:nop
    fval=fhd(x(i,:));
    if fval<pbestval(i)
        pbest(i,:)=x(i,:);
        pbestval(i)=fval;
    end
    if fval<gbestval
        gbest=x(i,:);
        gbestval=fval;
    end
end
for iter=1:max_iter
    % update velocities
    r1=rand(nop,dim);
    r2=rand(nop,dim);
    v=w.*v+c1.*r1.*(pbest-x)+c2.*r2.*(ones(nop,1)*gbest-x);
    % check velocity limits
    v=min(max(v,vmin),vmax);
    % update positions
    x=x+v;
    % check position limits
    x=min(max(x,xmin),xmax);
    % evaluate objective function
    for i=1:nop
        fval=fhd(x(i,:));
        if fval<pbestval(i)
            pbest(i,:)=x(i,:);
            pbestval(i)=fval;
            if fval<gbestval
                gbest=x(i,:);
                gbestval=fval;
            end
        end
    end
    % update mutation probability
    pm_cnt=pm_cnt+1;
    if pm_cnt==pm_updt
        if gbestval==Inf
            pm=pm/2;
        else
            pm=pm+pm_inc*(pm_max-pm)/(pm_max*gbestval+eps);
            pm=max(pm,pm_min);
            pm=min(pm,pm_max);
            pm_cnt=0;
        end
    end
    % generate mutations
    for i=1:nop
        if rand<pm
            mut(i,:)=randn(1,dim).*(xmax-xmin)/10;
        else
            mut(i,:)=zeros(1,dim);
        end
    end
    % update positions with mutations
    x=x+mut;
    % check position limits
    x=min(max(x,xmin),xmax);
end
end

代码中，首先定义了一些算法参数，包括惯性权重w、加速系数c1和c2、最大和最小速度vmax和vmin、初始变异概率pm、变异概率的最大值和最小值pm_max和pm_min、变异概率的增量和减量pm_inc和pm_dec、变异概率更新的间隔pm_updt等。然后进行初始化，包括粒子位置x、速度v、个体最优位置pbest、个体最优值pbestval、全局最优位置gbest和全局最优值gbestval。接着进行迭代，每次迭代包括以下步骤：

1. 更新粒子速度v；
2. 检查速度限制；
3. 更新粒子位置x；
4. 检查位置限制；
5. 计算粒子适应度，更新个体最优位置和全局最优位置；
6. 更新变异概率pm；
7. 生成变异向量；
8. 更新粒子位置x。

最后输出全局最优位置gbest和全局最优值gbestval。

需要注意的是，这段代码是一种基本的实现，具体应用时需要根据具体问题进行适当修改。