智能优化方法作业——PSO算法分析.doc

智能优化方法作业 PSO算法实验报告 课程名称： 智能优化方法 作者姓名： 专 业： 控制工程  第一章 问题描述 1 第二章 算法设计 1 2.1解及目标函数的表达 1 2.1.1种群的编码 1 2.1.2初始种群的产生 1 2.1.3评价函数的构造 1 2.2 POS速度迭代公式 2 2.3粒子的更新 2 2.4惯性权重的调整 3 2.5停止准则 3 第三章 算法实现及分析 3 3.1编译环境及界面介绍 3 3.2 matlab中GUI界面打开的3种方式 4 第四章 算法分析 5 4.1 默认参数下的运行结果 5 4.2种群大小对算法的影响 6 4.3 最大迭代次数对算法的影响 8 4.4 实验得出的“最优”参数 9 第一章 问题描述 无约束5维的Rosenbrock函数可以描述如下： （1） 其中，。 要求按PSO算法思想设计一个该问题的求解算法，并利用计算机语言实现设计的算法。将实验报告和程序代码（带有详细注释）。 第二章 算法设计 2.1解及目标函数的表达 2.1.1种群的编码 显然对于一个粒子个体可以用一个含有5个元素的一维数组进行表示。对于一个种群这里使用pop_size×5的二维数组进行表示。其中pop_size为种群大小。 2.1.2初始种群的产生 初始种群的各个粒子均采用均匀随机产生的方式，即粒子每一位都是-30到30上的随机数。同样粒子的速度也是-40到40上的随机数。这里设置速度在-40到40内是因为限定速度的最大值为40。 2.1.3评价函数的构造 这里直接采用解的函数值作为评价函数，评价函数值越小认为该解越好。评价函数如下： （2） 其中，。 2.2 POS速度迭代公式 为了改善算法的收敛性，这里采样带惯性权重的迭代公式，速度迭代公式如下： （3） 其中： ：粒子的速度。 w：粒子的权重，为0到1的数值。表示对之前速度的一个惯性。值越小，前一时刻的速度对当前时刻速度的影响也越小。 ：对个体所搜索过的最优值的学习因子。值越大，向个体最优值的移动速度也越大。 ：对全局搜索过的最优值的学习因子。值越大，向全局最优值移动的速度也越大。 ：0到1的随机数。表示粒子学习状态的随机，有可能向全局最优值学习，有可能向个体最优值学习。也有可能几乎不学习。 ：粒子搜索过的个体最优解。 ：种群搜索过的全局最优解。 可以看出，这里将整个种群视为“连通的”。即整个种群共用一个全局最优值。另外，为了保证算法的收敛性，这里对速度的最大值进行了限定。这里设定的速度最大值的绝对值为40，即粒子的每一个分量在一次迭代过程中最多跨越搜索长度的2/3。 2.3粒子的更新 粒子的更新采用如下公式： （4） 其中： ：粒子的位置。 这里同样对粒子的位置进行限定，即让粒子的每一个分量均在-30到30之间。 2.4惯性权重的调整 惯性权重带代表着对之前速度继承情况。一般来说，惯性权重越大全局的探索能力越强，惯性权重越小局部的开发能力越强。根据这个规律，这里采样变惯性权重的搜索方式。在搜索的开始阶段，使用较大的惯性权重，随着迭代次数的进行，逐渐减少惯性权重。使其进行更多的局部开发，寻找最优解。惯性权重调整公式如下： （5） 其中： ：第i次迭代的惯性权重。 ：最大惯性权重。 ：最小惯性权重。 iter_max：最大迭代次数。 i：当前迭代次数。 2.5停止准则 停止准则采样固定的迭代次数。 第三章 算法实现及分析 3.1编译环境及界面介绍 本次试验算法采用matlab进行实现。matlab版本为R2013b.首先我们编写了一个m脚本文件进行调试(pso_pro.m).在程序调试成功以后，为了方便讨论各个参数对算法的影响及对算法进行分析。我们又编写了一个GUI界面(PSO_pro.fig或PSO_pro.m)。界面如下： 图3.1 PSO算法GUI界面 3.2 matlab中GUI界面打开的3种方式 方法一： 将文件放到matlab当前工作目录或者添加文件目录到matlab搜索目录中。然后在命令空间输入PSO_pro. 方法二： 打开PSO_pro.m文件，然后点击上方run字样的绿色箭头。 方法三： 在命令空间输入guide,选择open existing GUI-browse-PSO_pro.fig.然后点击上方的run字样的绿色箭头。 以上方法均可以打开GUI界面，但是不能直接点击PSO_pro.fig文件进行打开。这是因为这样打开GUI文件时，不会调用opening函数。即不会初始化及更新结构体。运行文件会导致错误。 第四章 算法分