自组织粒子群优化算法（Self-Organizing Particle Swarm Optimization, SOPSO）求解Rastrigin函数

前言

提醒：
文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。
其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展及意见建议，欢迎评论区讨论交流。

内容由AI辅助生成，仅经笔者审核整理，请甄别食用。

---

matlab代码

clc; clear; close all;
%%自组织粒子群优化算法（Self-Organizing Particle Swarm Optimization, SOPSO）
%它结合了标准 PSO 的核心机制与自组织重启策略。
%% 参数设置
nPop = 30;              % 粒子数
nVar = 2;               % 维度
MaxIt = 100;            % 最大迭代次数wMax = 0.9;             % 最大惯性权重
wMin = 0.4;             % 最小惯性权重
c1 = 2;                 % 个体学习因子
c2 = 2;                 % 社会学习因子VarMin = -5.12;         % 变量下界
VarMax = 5.12;          % 变量上界
VelMax = 0.2 * (VarMax - VarMin);
VelMin = -VelMax;stagnantLimit = 15;     % 失活迭代阈值（自组织机制）%% 目标函数（Rastrigin）
rastrigin = @(x) 20 + x(1)^2 - 10*cos(2*pi*x(1)) + x(2)^2 - 10*cos(2*pi*x(2));%% 初始化粒子结构
particle.Position = [];
particle.Velocity = [];
particle.Best.Position = [];
particle.Best.Fitness = inf;
particle.Fitness = inf;
particle.StagnantCount = 0;pop = repmat(particle, nPop, 1);for i = 1:nPoppop(i).Position = (VarMax - VarMin)*rand(1,nVar) + VarMin;pop(i).Velocity = zeros(1,nVar);pop(i).Fitness = rastrigin(pop(i).Position);pop(i).Best.Position = pop(i).Position;pop(i).Best.Fitness = pop(i).Fitness;pop(i).StagnantCount = 0;
end% 全局最优初始化
fitnessArray = arrayfun(@(x) x.Best.Fitness, pop);
[~, idx] = min(fitnessArray);
GlobalBest.Position = pop(idx).Best.Position;
GlobalBest.Fitness = pop(idx).Best.Fitness;%% 网格用于绘制等高线
[xgrid,ygrid] = meshgrid(linspace(VarMin,VarMax,100));
zgrid = arrayfun(@(x,y) rastrigin([x,y]), xgrid, ygrid);figure;
contourf(xgrid, ygrid, zgrid, 50, 'LineColor', 'none');
colormap jet; hold on;
xlabel('x'); ylabel('y');
title('SOPSO 优化过程');%% 迭代主循环
for it = 1:MaxIt% 线性递减惯性权重w = wMax - (wMax - wMin) * it / MaxIt;for i = 1:nPopr1 = rand(1,nVar);r2 = rand(1,nVar);% 速度更新pop(i).Velocity = w * pop(i).Velocity ...+ c1 * r1 .* (pop(i).Best.Position - pop(i).Position) ...+ c2 * r2 .* (GlobalBest.Position - pop(i).Position);% 速度限制pop(i).Velocity = max(min(pop(i).Velocity, VelMax), VelMin);% 位置更新pop(i).Position = pop(i).Position + pop(i).Velocity;% 边界处理pop(i).Position = max(min(pop(i).Position, VarMax), VarMin);% 计算适应度pop(i).Fitness = rastrigin(pop(i).Position);% 更新个体最优if pop(i).Fitness < pop(i).Best.Fitnesspop(i).Best.Position = pop(i).Position;pop(i).Best.Fitness = pop(i).Fitness;pop(i).StagnantCount = 0; % 重置失活计数elsepop(i).StagnantCount = pop(i).StagnantCount + 1;end% 自组织机制：失活粒子重启if pop(i).StagnantCount >= stagnantLimitpop(i).Position = (VarMax - VarMin)*rand(1,nVar) + VarMin;pop(i).Velocity = zeros(1,nVar);pop(i).Fitness = rastrigin(pop(i).Position);pop(i).Best.Position = pop(i).Position;pop(i).Best.Fitness = pop(i).Fitness;pop(i).StagnantCount = 0;endend% 更新全局最优fitnessArray = arrayfun(@(x) x.Best.Fitness, pop);[~, idx] = min(fitnessArray);if pop(idx).Best.Fitness < GlobalBest.FitnessGlobalBest.Position = pop(idx).Best.Position;GlobalBest.Fitness = pop(idx).Best.Fitness;end% 可视化当前粒子群位置cla; % 清除图像% 画带透明度的曲面surf(xgrid, ygrid, zgrid, 'EdgeColor', 'none', 'FaceAlpha', 0.3); colormap jet; hold on;% 粒子位置和适应度高度positions = reshape([pop.Position], nVar, [])';fitnessVals = arrayfun(@(i) rastrigin(positions(i,:)), 1:size(positions,1));plot3(positions(:,1), positions(:,2), fitnessVals, 'ro', 'MarkerSize', 8, 'MarkerFaceColor', 'r');% 全局最优点plot3(GlobalBest.Position(1), GlobalBest.Position(2), GlobalBest.Fitness, ...'kp', 'MarkerSize', 15, 'MarkerFaceColor', 'y');% 视角设置view(135, 45); % 135度方位，45度仰角xlabel('x'); ylabel('y'); zlabel('Fitness');title(sprintf('SOPSO 迭代 %d/%d, 当前最优值: %.4f', it, MaxIt, GlobalBest.Fitness));axis([VarMin VarMax VarMin VarMax 0 50]);grid on;drawnow;endfprintf('全局最优位置: [%.4f, %.4f]\n', GlobalBest.Position);
fprintf('全局最优适应度: %.4f\n', GlobalBest.Fitness);

运行结果

这段代码实现了自组织粒子群优化算法（Self-Organizing Particle Swarm Optimization, SOPSO），其核心是在标准粒子群优化（PSO）基础上增加自组织重启机制，通过检测“停滞粒子”并强制重启，增强算法跳出局部最优的能力。以下详细介绍其核心机制：

代码分析

一、目标函数：Rastrigin函数

代码针对Rastrigin函数（多峰复杂函数）进行优化，其数学表达式为：
$$f(x_1,x_2)=20+x_1^2-10\cos (2\pi x_1)+x_2^2-10\cos (2\pi x_2)$$

• 特性：存在大量局部极小值，全局最优解在原点$(0,0)$，函数值为$f(0,0)=0$。
• 优化目标：寻找使$f(x_1,x_2)$最小的$(x_1,x_2)$，其中$x_1,x_2\in [-5.12,5.12]$。

二、SOPSO核心机制解析

1. 粒子结构与初始化

每个粒子包含位置、速度、个体最优（pbest）、全局最优（gbest）及停滞计数等信息，初始化规则如下：

• 位置初始化：在变量范围内随机生成
  $${\text{Position}}_i(0)\sim \text{Uniform}(\text{VarMin},\text{VarMax})$$
  （代码中$\text{VarMin}=-5.12$，$\text{VarMax}=5.12$）

• 速度初始化：初始速度为0
  $${\text{Velocity}}_i(0)=0$$

• 个体最优初始化：初始位置即为个体最优
  $${\text{pbest}}_i(0)={\text{Position}}_i(0),{\text{pbestFitness}}_i(0)=f({\text{Position}}_i(0))$$

• 全局最优初始化：从初始个体最优中选择最优解
  gbest(0)=arg⁡min⁡i{pbestFitnessi(0)}\text{gbest}(0) = \arg\min_i \{\text{pbestFitness}_i(0)\}gbest(0)=argimin​{pbestFitnessi​(0)}

2. 标准PSO核心：速度与位置更新

SOPSO继承了标准PSO的速度-位置更新机制，数学公式如下：

（1）惯性权重（线性递减）

惯性权重$w$控制粒子对历史速度的依赖，随迭代线性递减：
$$w(t)=w_{\text{Max}}-\frac{w_{\text{Max}}-w_{\text{Min}}}{\text{MaxIt}}\cdot t$$

• 代码中$w_{\text{Max}}=0.9$，$w_{\text{Min}}=0.4$，$\text{MaxIt}=100$（最大迭代次数）。

（2）速度更新公式

速度由惯性项、认知项（个体经验）和社会项（群体经验）三部分组成：
$${\text{Velocity}}_i(t+1)=w(t)\cdot {\text{Velocity}}_i(t)+c_1{r}_1\cdot ({\text{pbest}}_i(t)-{\text{Position}}_i(t))+c_2{r}_2\cdot (\text{gbest}(t)-{\text{Position}}_i(t))$$
-$c_1=2$（个体学习因子），$c_2=2$（社会学习因子）；
-$r_1,r_2\sim \text{Uniform}(0,1)$（随机权重）；

• 物理意义：粒子速度受自身历史速度、向个体最优靠近的“认知力”、向全局最优靠近的“社会力”共同影响。

（3）速度限制与位置更新

• 速度限制：防止速度过大导致粒子跳出搜索空间
  $${\text{Velocity}}_i(t+1)=\max \left(\min \left({\text{Velocity}}_i(t+1),\text{VelMax}\right),\text{VelMin}\right)$$
  代码中$\text{VelMax}=0.2\times (\text{VarMax}-\text{VarMin})=2.048$，$\text{VelMin}=-\text{VelMax}$。

• 位置更新：粒子位置随速度移动
  $${\text{Position}}_i(t+1)={\text{Position}}_i(t)+{\text{Velocity}}_i(t+1)$$

• 位置边界处理：确保位置在搜索空间内
  $${\text{Position}}_i(t+1)=\max \left(\min \left({\text{Position}}_i(t+1),\text{VarMax}\right),\text{VarMin}\right)$$

3. 自组织机制：停滞检测与重启（SOPSO核心创新）

为避免粒子陷入局部最优，SOPSO引入“停滞计数”和“强制重启”机制：

（1）停滞计数

记录粒子连续未改进的迭代次数：
$${\text{StagnantCount}}_i(t)=\{\begin{array}{ll}{\text{StagnantCount}}_i(t-1)+1& \text{if }f({\text{Position}}_i(t))\ge {\text{pbestFitness}}_i(t-1)\\ 0& \text{if }f({\text{Position}}_i(t))<{\text{pbestFitness}}_i(t-1)\end{array}$$

• 若粒子当前适应度未优于个体最优（pbest），停滞计数+1；否则重置为0。

（2）强制重启

当停滞计数超过阈值（$\text{stagnantLimit}=15$），粒子被判定为“失活”，强制重启：
$$\{\begin{array}{l}{\text{Position}}_i(t)\leftarrow \text{Uniform}(\text{VarMin},\text{VarMax})\\ {\text{Velocity}}_i(t)\leftarrow 0\\ {\text{pbest}}_i(t)\leftarrow {\text{Position}}_i(t)\\ {\text{pbestFitness}}_i(t)\leftarrow f({\text{Position}}_i(t))\\ {\text{StagnantCount}}_i(t)\leftarrow 0\end{array}$$

• 物理意义：通过随机重置失活粒子，注入新的搜索多样性，避免算法陷入局部最优。

4. 个体最优与全局最优更新

• 个体最优（pbest）更新：若当前位置更优，则更新pbest
  $${\text{pbest}}_i(t)=\{\begin{array}{ll}{\text{Position}}_i(t)& \text{if }f({\text{Position}}_i(t))<{\text{pbestFitness}}_i(t-1)\\ {\text{pbest}}_i(t-1)& \text{otherwise}\end{array}$$

• 全局最优（gbest）更新：从所有pbest中选择最优解
  gbest(t)=arg⁡min⁡i{pbestFitnessi(t)}\text{gbest}(t) = \arg\min_i \{\text{pbestFitness}_i(t)\}gbest(t)=argimin​{pbestFitnessi​(t)}

三、算法流程总结

SOPSO的迭代过程可概括为：

1. 初始化：随机生成粒子，初始化pbest和gbest；
2. 速度更新：按惯性-认知-社会公式计算新速度，限制在合理范围；
3. 位置更新：按速度移动粒子，确保在搜索空间内；
4. 适应度计算：评估当前位置的目标函数值；
5. 个体最优更新：更新pbest并重置停滞计数（若有改进）；
6. 停滞检测与重启：对失活粒子强制重启；
7. 全局最优更新：从pbest中筛选新的gbest；
8. 可视化：实时展示粒子分布与最优解轨迹。

四、与标准PSO的核心区别

特性	标准PSO	SOPSO（代码实现）
多样性维持	依赖参数（如惯性权重）间接维持	通过停滞检测+强制重启主动维持
局部最优处理	可能陷入局部最优（无重启机制）	失活粒子重启，强制跳出局部最优
自组织能力	无自调节机制，依赖人工调参	自动检测粒子状态并自我调节
适用于	简单单峰函数	复杂多峰函数（如Rastrigin）

五、可视化与结果分析

代码通过三维曲面图实时展示优化过程：

• 背景曲面：Rastrigin函数的三维形态；
• 红色点：当前粒子的位置（对应目标函数值高度）；
• 黄色五角星：全局最优解（gbest）。

随迭代进行，粒子在gbest引导下向全局最优$(0,0)$聚集，同时自重启机制会在局部最优区域注入新粒子，最终收敛到理论最优值附近。

总结

SOPSO通过标准PSO的搜索机制（惯性-认知-社会模型）实现高效收敛，同时通过自组织重启机制（停滞检测+强制重置）维持种群多样性，解决了标准PSO易陷入局部最优的缺陷。在Rastrigin这类多峰函数上，其性能显著优于传统PSO，是复杂优化问题的有效求解工具。