GAPSO混合优化：遗传算法与粒子群融合的MATLAB实现与基准测试

简介：遗传结合粒子群优化算法（GAPSO）是融合遗传算法全局搜索与粒子群优化局部寻优能力的混合智能算法，专门用于求解连续函数优化、工程参数整定与多峰极值搜索等问题。资源面向智能优化算法初学者、本科及硕士教研场景，提供可直接运行的Matlab代码与配套实验结果。压缩包共15个文件，包含4个.m源码文件（涵盖GAPSO、PSO、CPSO等算法实现）、4个.fig和4个.jpg结果图，以及2个xls数据表与1个说明txt，整体仅559KB，轻量易下载。代码覆盖Sphere、Rastrigin、Rosenbrock、Schwefel等经典测试函数，通过对比GAPSO与标准粒子群算法（PSO）以及带收缩因子的CPSO，直观展示混合策略在收敛精度与跳出局部最优方面的优势。不同规模与维度下的对比数据已整理至xls表，便于定量分析。用户可修改自定义目标函数，结合fig与jpg结果图快速复现实验。已有377人学习下载，适合算法学习、论文仿真及课程设计参考。

1. GAPSO 混合优化：为什么把遗传算法和粒子群放在同一个框架里

接触过智能优化算法的 MATLAB 开发者，基本都绕不开两个名字：遗传算法（GA）和粒子群优化（PSO）。两者的思路完全不同，GA 靠选择、交叉、变异在解空间里做全局搜索，PSO 靠个体历史最优和群体最优进行速度迭代。多数人把它们当成两个独立工具箱来用，但真正做基准函数对比、写论文实验部分时会发现：单独使用 PSO 在 Rastrigin 这类多峰函数上特别容易陷入局部最优，而单独使用 GA 又常常收敛得不够快。GAPSO 把它们放进同一个种群框架，每一代先按粒子群规则更新位置，再按遗传算子对部分个体做交叉和变异，收敛速度和全局搜索能力可以同时保留。这套资源里除了主程序 GAPSO.m，还带有 PSO.m、CPSO.m 以及 Sphere、Rastrigin、Rosenbrock、Schwefel 四个函数的运行结果图和说明文件，适合作为课程设计、论文对比实验和算法改造的起点。

2. 混合策略设计与参数选型：GA 与 PSO 的协作机制

2.1 两种算法的互补逻辑

粒子群优化的核心公式是速度更新，每个粒子通过pbest和gbest两个引导项改变自身位置。这个机制的优势是收敛速度快，粒子一旦靠近好区域，群体很快会聚过去。但代价也很明显：当gbest落在一个局部极值附近时，所有粒子都会被吸过去，种群多样性迅速下降，后期几乎不再探索新区域。

遗传算法没有速度概念，它通过交叉把两个父代个体的片段组合成新个体，通过变异在当前个体附近做扰动。交叉算子在早期能产生大量新组合，变异算子则给种群一个持续的“探索尾音”。两者的缺点也清楚：GA 没有记忆机制，优秀的解只能通过选择保留，搜索方向感偏弱，在接近最优解时收敛速度不如 PSO。

GAPSO 的出发点就是让这两套机制在同一批个体上先后工作。先用 PSO 的速度更新快速把个体推向当前最优区域，再用 GA 的交叉和变异对部分个体重新组合和扰动。这样做以后，即使所有粒子都聚集在某个局部最优附近，交叉和变异仍然可能把个体搬到其他区域，多样性下降的节奏被明显拖慢。

2.2 常见混合结构：并行、串行与嵌入式

算法混合不是简单把两个流程拼接，结构不同，效果差异很大。常见的做法有三种。

第一种是串行结构，先跑 PSO，得到较好解后作为 GA 的初始种群继续进化。这种结构实现最简单，但本质是两个算法接力，没有真正共享中间搜索信息。第二种是并行结构，两个种群各跑各的，每隔若干代交换一批最优个体，适合并行计算环境，但代码复杂度高。第三种是嵌入式结构，也就是 GAPSO.m 采用的方式：一个统一的种群，每一代先执行粒子群的位置更新，随后对更新后的种群执行选择、交叉、变异，遗传操作产生的新个体会直接影响下一轮的pbest和gbest计算。

嵌入式结构的好处是信息交互是同代的，粒子群用位置更新快速挖掘当前最优邻域，遗传算子则负责制造偏离当前群体的个体。用论文评审时的话来说，这属于“强耦合混合”，不是两个算法结果的简单比较。从实现角度看，嵌入式结构只需要维护一套种群、一套适应度数组，代码量也比并行结构少。

2.3 关键参数表与选择依据

GAPSO 的参数比单独使用 PSO 或 GA 要多，因为两类参数共存。参数设置一旦不合理，混合算法可能表现得比任何一个独立算法都差。常见参数范围如下。

我一般会先固定种群规模和迭代次数，单独调w的递减策略。w大的阶段负责探索，小的阶段负责开发，这个节奏感比c1、c2更影响整体收敛行为。交叉概率pc设在 0.7 到 0.8 之间比较稳定，因为粒子群本身已经更新了位置，交叉的作用不是从零开始组合，而是在已经移动过的个体之间再做一次信息交换，比例太大容易让速度更新积累的方向感丢失。

2.4 混合流程的伪代码表达

GAPSO 的主流程用伪代码表达比直接看 MATLAB 源码更清楚。整个流程里最关键的一点是：遗传算子不是单独在一个新种群上操作，而是直接修改当前粒子的位置和速度。

% GAPSO 主流程伪代码 初始化种群 x, 速度 v 计算适应度 fit = fun(x) 初始化 pbest = x, gbest = 最小值对应的个体 for t = 1 : maxgen for i = 1 : N v(i,:) = w * v(i,:) + c1 * rand * (pbest(i,:) - x(i,:)) + c2 * rand * (gbest - x(i,:)); x(i,:) = x(i,:) + v(i,:); 边界处理，保证 x 在搜索域内 end 重新计算适应度 fit = fun(x) 更新 pbest 与 gbest 根据适应度对种群排序，保留前 N * (1 - pc) 个优秀个体 对剩余个体执行交叉与变异 重新计算适应度，更新 pbest 与 gbest end

这个流程里，粒子群阶段负责“定位”，遗传阶段负责“发散”。注意最后一步：交叉和变异后的个体需要重新计算适应度，否则下一轮的pbest和gbest会引用旧值，混合就没有意义了。边界处理也很重要，粒子群更新后的位置可能越界，常见做法是把越界分量拉回边界，或者重新在边界附近随机生成，后者的多样性更好，但是收敛速度会变慢。

3. GAPSO.m 核心代码实现与模块拆解

3.1 种群初始化与问题维度设置

打开压缩包内的GAPSO.m，最先接触的就是参数区和种群初始化。这套代码把种群规模、维度、边界、迭代次数都集中在文件开头，改成自己的问题或更换测试函数非常方便。初始化部分的核心逻辑是：在上下界范围内生成均匀分布的随机位置，并给每个粒子一组零均值的小速度值。

% GAPSO.m 参数与种群初始化 N = 30; % 种群规模 maxgen = 500; % 最大迭代次数 dim = 30; % 问题维度 lb = -100; % 变量下界 ub = 100; % 变量上界 w = 0.9; % 惯性权重起始值 w_end = 0.4; % 惯性权重结束值 c1 = 1.5; % 个体学习因子 c2 = 1.5; % 群体学习因子 pc = 0.8; % 交叉概率 pm = 0.1; % 变异概率 x = lb + (ub - lb) * rand(N, dim); % 初始化种群位置 v = 0.1 * (ub - lb) * (rand(N, dim) - 0.5); % 初始化速度

这里把维度直接设为 30 是因为 30 维是智能优化算法论文里常用的测试维度，和 CEC 基准测试的习惯一致。如果只做低维可视化，比如绘制收敛曲线对应的二维寻优过程，可以把dim改成 2，然后单独调用GAPSO.m里的绘图脚本。速度初始化的范围被我限制在搜索范围的 10% 以内，这样第一代粒子不会直接飞出边界。

3.2 适应度计算与 fun.m 接口

适应度函数独立放在fun.m里，这是整套代码中改动频率最高的文件。GAPSO 内部不关心具体目标函数是什么，只需要知道输入一个行向量，返回一个标量适应度值。因为 PSO 系列算法默认求解最小化问题，所以如果实际任务是要最大化某个指标，需要在fun.m里把目标取负号。

% fun.m 示例：Sphere 函数 function f = fun(x) % x: 1 x dim 的行向量 f = sum(x .^ 2); end

这段代码的逻辑很简单，但对不熟悉 MATLAB 数组运算的人来说有一个常见误区：sum(x^2)和sum(x.^2)完全不同。前者在x是矩阵时做矩阵乘法，后者才是逐元素平方。GAPSO 里传入的x是单个粒子的位置向量，用点乘是安全的。资源中附带randdata1.xls和randdata2.xls，这两个文件说明fun.m也可以读取外部数据，适用于回归拟合或参数辨识这类需要加载真实数据的场景。读取后的数据处理写在fun.m里，GAPSO.m 不需要做任何修改。

3.3 粒子群速度更新与边界处理

主循环中的粒子群更新部分和标准 PSO 基本一致，区别在于它和后面的遗传操作共享了x、v两个变量。先看速度位置更新代码。

% GAPSO.m 粒子群速度与位置更新 for i = 1 : N r1 = rand(1, dim); r2 = rand(1, dim); v(i, :) = w * v(i, :) + c1 * r1 .* (pbest(i, :) - x(i, :)) + c2 * r2 .* (gbest - x(i, :)); x(i, :) = x(i, :) + v(i, :); % 边界处理：越界分量拉回边界 x(i, x(i, :) < lb) = lb; x(i, x(i, :) > ub) = ub; end % 惯性权重线性递减 w = w_start - (w_start - w_end) * t / maxgen;

这里的r1和r2是逐维度生成的随机数，比单独一个随机数更符合标准 PSO 的实现方式。惯性权重w随迭代次数线性递减，前期探索、后期收敛。一个小细节是：边界处理把越界个体强制拉回边界后，对应的速度分量也应该清零，否则边界上的粒子会积累一个朝向边界外的速度，下一轮容易被再次推出边界。这个处理在原代码里不一定体现，我一般会在自己的版本里加上，对 Rastrigin 这种边界附近存在低洼区的函数有明显改进。

3.4 遗传算子：选择、交叉与变异

粒子群更新完成后，种群已经向gbest方向聚集。此时遗传算子接手的不是一个随机种群，而是一个已经有收敛趋势的种群。选择采用锦标赛或排序方式，把适应度较好的个体保留下来，让适应度较差的个体参与交叉和变异，避免整个种群被交叉完全打散。

% GAPSO.m 遗传操作片段 [~ , idx] = sort(fit); % 适应度升序排序，fit 越小越好 x_sorted = x(idx, :); v_sorted = v(idx, :); % 前 keep 个优秀个体直接保留 keep = round(N * 0.5); x_new(1 : keep, :) = x_sorted(1 : keep, :); v_new(1 : keep, :) = v_sorted(1 : keep, :); % 其余个体进行算术交叉 for i = keep + 1 : 2 : N if rand < pc && i + 1 <= N alpha = rand; x_new(i, :) = alpha * x_sorted(i, :) + (1 - alpha) * x_sorted(i + 1, :); x_new(i + 1, :) = (1 - alpha) * x_sorted(i, :) + alpha * x_sorted(i + 1, :); else x_new(i, :) = x_sorted(i, :); if i + 1 <= N x_new(i + 1, :) = x_sorted(i + 1, :); end end end % 变异：对随机维度施加高斯扰动 for i = 1 : N if rand < pm dim_idx = randi(dim); x_new(i, dim_idx) = x_new(i, dim_idx) + randn * 0.1 * (ub - lb); end end x = x_new;

这里采用算术交叉，因为算术交叉产生的新个体始终是两个父代的线性组合，不会直接越界。和二进制交叉不同，实数编码的优化问题更适合这种交叉方式。变异使用的是高斯扰动，和选择“随机重置为边界内随机值”相比，高斯变异在后期保留更多有用信息，因为它是在现有位置附近小幅探索，而不是完全抛弃当前位置。

3.5 主循环与收敛判据

主循环的结束条件有两种：固定迭代次数，或连续若干代gbest变化小于某个阈值。GAPSO.m 里用的显然是第一种，即运行满maxgen次。对写论文的人来说，固定迭代次数更方便画横轴为迭代次数的收敛曲线，而且多次独立实验的对比条件也公平。如果用于实际工程中的在线优化，第二种判据更合理。

% GAPSO.m 主循环收尾 for t = 1 : maxgen % 粒子群更新 % 适应度计算 % 遗传操作 best_record(t) = gbest_fit; if mod(t, 100) == 0 fprintf('Iteration %d, best fit = %.6e\n', t, gbest_fit); end end disp(['Final gbest = ', num2str(gbest)]); disp(['Final fitness = ', num2str(gbest_fit)]);

best_record保存每代最优适应度，这个数组是后续绘制收敛曲线的数据来源。fprintf每 100 代打印一次进度，既不会刷屏，又能观察算法是否在早期就卡住。如果前 50 代适应度完全没有下降，通常意味着参数配置或目标函数接口有问题，不需要等完整跑完。

4. 基准函数验证：从 Sphere 到 Schwefel 的运行结果分析

4.1 测试函数定义与理论最优

压缩包中的 fig 和 jpg 文件对应四个经典测试函数，它们是衡量优化算法性能的最小集合。每个函数都有明确的数学特点和全局最优点。

Sphere 是单峰函数，主要测试收敛速度；Rastrigin 有大量局部极值，专门用来检测算法是否早熟；Rosenbrock 的全局最优点位于一条狭窄的抛物线谷底，数值上很难精确到达；Schwefel 2.22 在原点处有一个尖锐的最小值，且变量之间存在乘积耦合，对步长很敏感。这四个函数覆盖了常见的测试难点，也是资源配图选择它们的原因。

4.2 在 MATLAB 2014/2019a/2021a 下的运行方式

这套代码的兼容性覆盖了从 2014a 到 2021a 的多个版本，核心原因是没有依赖较新的工具箱函数。运行方式很简单，把解压后的文件夹加入 MATLAB 当前路径，直接在命令窗口执行。

% 在 MATLAB 命令窗口中执行 cd 'D:\GAPSO代码目录' GAPSO

执行完以后，命令窗口会显示每 100 代的适应度值，并弹出收敛曲线图和最终寻优结果图。如果希望自动对比 GAPSO 和 PSO，可以在同一目录下运行PSO.m，两者使用相同的fun.m、种群规模和迭代次数。有一个细节需要注意：GAPSO.m、PSO.m、CPSO.m三个文件内部都可能定义了同一个绘图函数或变量名，依次运行时建议用clear all清空工作区，避免变量残留影响下一次实验。

4.3 结果图解读：从收敛曲线看算法行为

资源里的Sphere Model.jpg和Sphere Model.fig展示了 GAPSO 在 Sphere 上的收敛过程。sphere 函数梯度方向明确，每一个分量独立，所以收敛曲线一般在前 50 代内快速下降，后期曲线趋于平缓，最终适应度可以达到 1e-30 量级以下，具体数值受随机种子的影响。

Rastrigin.jpg是最值得观察的一张图。Rastrigin 的局部最优点非常密集，标准 PSO 早期可能下降很快，但会在某个局部最优附近停滞很长一段时间。GAPSO 在这个函数上的表现通常是：前 100 代曲线明显比 PSO 更“曲折”，会出现多次台阶式下降，这正是交叉和变异把粒子从局部极值区域推出来、重新找到更低谷底的过程。看到这种台阶式曲线，不需要担心算法出了问题，它是混合算法正常工作的信号。

4.4 GAPSO 与 PSO、CPSO 的对比建议

压缩包中的PSO.m和CPSO.m提供了对比实验的基础。CPSO.m进一步引入了混沌序列作为扰动来源，在部分函数上比标准 PSO 更稳定。做对比时，我建议控制以下变量：种群规模相同、迭代次数相同、边界相同、初始种群固定为同一个随机数种子。随机数种子可以用rng(42)这样的语句固定，否则两次实验的初始种群不同，收敛差异无法归因于算法本身。

每次实验运行 20 次独立重复，记录平均适应度、最好适应度、标准差。GAPSO 的优势通常体现在标准差上，混合机制使每次运行的波动更小，而不只是最好值更高。如果只在文档里贴一张收敛曲线，评审或导师大概率会要求补全重复实验数据，这也是判断这套资源是否用好的分水岭。

5. 把 GAPSO 用到自己的目标函数：接口设计与排错清单

5.1 替换目标函数的最小改法

GAPSO 的fun.m设计得很薄，只负责“输入一个向量，返回一个数”。这意味着任何可以用公式表达的目标函数，都可以直接替换。假设你的问题是二维路径规划中的路径长度最小化，定义一条路径由若干中间点坐标构成，那么直接把这些坐标拼接成一个向量传入：

% fun.m 示例：路径长度目标函数 function f = fun(x) % x = [x1, y1, x2, y2, ..., xn, yn] pts = reshape(x, 2, [])'; dist = 0; for i = 1 : size(pts, 1) - 1 dist = dist + norm(pts(i + 1, :) - pts(i, :)); end f = dist; end

这里用reshape把一维向量还原成坐标点序列，然后在相邻点之间累加欧氏距离。需要注意两点：一是维度dim需要改为2 * n，其中n是中间点数量；二是边界lb、ub需要根据地图范围调整。如果你的决策变量具备不同含义，比如前两个是角度、后两个是距离，且变化范围不一致，那么最好重写GAPSO.m中的边界生成部分，而不是让所有变量共用同一个lb和ub。

5.2 参数调整的实用技巧

调参时不要一次性改多个参数，否则无法定位是哪个改变带来了效果提升。我的顺序是：先固定c1=c2=1.5，把w的线性递减改成更平滑的凹函数递减，比如w = w_end + (w_start - w_end) * (1 - t/maxgen)^2，这种递减方式让算法在前期保持更长时间的探索能力，对 Rastrigin 这类函数收益明显。

交叉概率pc不建议超过 0.9。我曾经在一个 50 维的车间调度简化问题上把pc调到 0.95，结果收敛曲线出现明显反弹，原因是粒子群积累的位置信息被高频交叉大量覆盖，算法变成了纯粹的遗传算法。把pc调回 0.75 后，曲线恢复平稳下降。变异概率pm则相反，太小时混合无效，一般不要低于1 / dim，这样平均每个粒子每代至少有一个维度发生扰动。

5.3 运行失败时的定位思路

第一类问题是 MATLAB 报错Matrix dimensions must agree，这个错误绝大多数发生在fun.m中。检查是否把x.^2写成了x^2，或者传入的x是列向量而你的公式输出变成了矩阵。fun.m必须保证任何合法输入都返回标量，这是 PSO 类算法的硬性约束。

第二类问题是运行不报错，但gbest一直不下降。先确认lb、ub是否设置正确，再看w的初值是不是过小，w=0.9起步是稳妥的。另一个容易被忽略的点是：GAPSO 内部可能把最优值记录在best_record里，如果你的自定义fun.m计算量很大，迭代 500 次、种群 30 个意味着 15000 次函数调用，电脑风扇开始狂转时不要惊讶，先降低maxgen做功能验证，确认收敛后再恢复完整迭代次数。

最后一招是可视化调试。把dim降为 2，调用 GAPSO 后在代码里新增一个画布，把每代的种群位置画成散点图，叠加当前gbest位置。这样能直接看到粒子是否在某一个局部区域反复聚集，也能看到交叉变异是否把粒子“踢”出去。这种调试方式比盯着适应度数值直观得多，也是我处理自定义优化问题时最常用的手段。

本文还有配套的精品资源，点击获取