溷合粒子群算法基于模拟退火的算法.docxVIP

混合粒子群算法：基于模拟退火的算法 算法原理 模拟退火算法在搜索过程中具有概率突跳的能力，能够有效地避免搜索过程中陷入局部极小解。模拟退火算法在退火过程中不但接受好的解，而且还以一定的概率接受差得解，同时这种概率受到温度参数的控制，其大小随温度的下降而减小。 算法步骤 随机初始化种群中各微粒的位置和速度； 评价每个微粒的适应度，将当前各微子的位置和适应值存储在各微子的中，将所有的中适应最优个体的位置和适应值存储在中； 确定初始温度； 根据下式确定当前温度下各的适配值： 采用轮盘赌策略从所有中确定全局最优的某个替代值，然后根据下式更新各微粒的速度和位置： 计算各微粒新的目标值，更新各微粒的值及群体的值； 进行退温操作； 若满足停止条件（通常为预设的运算精度或迭代次数），搜索停止，输出结果，否知返回（4）继续搜索； 初始温度和退温温度对算法有一定的影响，一般采用如下的初温和退温方式： 算法MATLAB实现 在MATLAB中编程实现的基于杂交的粒子群算法优化函数为：。 功能：用基于模拟退火的粒子群算法求解无约束优化问题。 调用格式： 其中，：待优化的目标函数； ：粒子数目； ：学习因子1； ：学习因子2； ：退火常数； ：最大迭代次数； ：自变量的个数； ：目标函数取最小值时的自变量值； ：目标函数的最小值。 基于模拟退火的粒子群算法的MATLAB代码如下： function [xm,fv]=SimuAPSO(fitness,N,c1,c2,lamda,M,D) % fitness：待优化的目标函数; % N：粒子数目; % c1：学习因子1; % c2：学习因子2; % lamda:退火常数; % M：最大迭代次数; % D：自变量的个数; % xm：目标函数取最小值时的自变量值; % fv：目标函数的最小值。 format long; for i=1:N for j=1:D x(i,j)=randn; %随机初始化位置 v(i,j)=randn; %随机初始化速度 end end for i=1:N p(i)=fitness(x(i,:)); y(i,:)=x(i,:); end pg=x(N,:); %pg为全局最优 for i=1:(N-1) if fitness(x(i,:))fitness(pg) pg=x(i,:); end end T=fitness(pg)/log(5); %初始温度 for t=1:M groupFit=fitness(pg); for i=1:N %当前温度下各个pi的适应值 Tfit(i)=exp(-(p(i)-groupFit)/T); end SumTfit=sum(Tfit); Tfit=Tfit/SumTfit; pBet=rand(); for i=1:N %用轮盘赌策略确定全局最优的某个替代值 ComFit(i)=sum(Tfit(1:i)); if pBet=ComFit(i) pg_plus=x(i,:); break; end end C=c1+c2; ksi=2/abs(2-C-sqrt(C^2-4*C)); %速度压缩因子 for i=1:N v(i,:)=ksi*(v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg_plus-x(i,:))); x(i,:)=x(i,:)+v(i,:); if fitness(x(i,:))p(i) p(i)=fitness(x(i,:)); y(i,:)=x(i,:); end if p(i)fitness(pg) pg=y(i,:); end end T=T*lamda; end xm=pg; fv=fitness(pg); 例 基于模拟退火的粒子群算法应用实例。求下面函数的最小值 取粒子数目为40，学习因子都取2.05，迭代步数取10000，退火常数取为0.5。 解： 首先建立目标函数文件： function F=fitness(x) F=0; for i=1:5 F=F+1/(i+(x(i)-1)^2);