粒子群算法学习报告.doc

粒子群算法M也被称为群体规模，m的值过大会影响算法的运行速度和收敛性。 设zi zi1，zi2，…ziD 为第i个粒子的空间位置，根据适应度函数计算出zi当前的适应度，即可衡量粒子位置的优劣；vi （vi1，vi2，…viD）表示i粒子在D维空间内的飞行速度；pi （pi1,pi2,…piD）表示i粒子到目前为止搜索到的最优解；pg （pg1，pg2，…pgD）表示整个群体到目前为止搜索到的最优解。 每次迭代，粒子根据下面的公式更新速度： 其中，i 1，2，…，m，d 1，2，…D，k是迭代次数，r1和r2为[0,1]之间的随机数；w是保持原来速度的系数，所以叫做惯性权重；c粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识，所以叫“认知”。通常设置为2。c是粒子跟踪群体最优值的权重系数，它表示粒子对整个群体知识的认识，所以叫做“社会知识”，经常叫做“社会”。通常设置为2。r是对位置更新的时候，在速度前面加的一个系数，这个系数我们叫做约束因子。通常设置为1。 粒子群算法的流程…,ziD）,i 1,2,…,m 测量每个粒子的适应度fitness pi fitness 根据fitness min（fitness1，fitness2，…，fitnessm）找出最优解pg； K 0 1 K→k+1 根据速度更新公式更新vi 根据位置更新公式更新zi 测量zi的适应度，表示为fitnessi 更新pi和pg 如果k Nmax,跳到步骤1 结束 简化流程图为 二 粒子群算法的应用 粒子群算法作为新型的群体智能算法，自从提出之后，由于其概念简明，实现方便。在短期内迅速被应用到了计算研究的各个领域，同时由于其能很好的解决复杂组合优化问题，也被广泛应用与工程设计与优化电力系统，机器人控制，交通运输，通讯，计算机，工业生产以及生物医学和电磁学等领域。 在工程设计与优化方面，粒子群算法也被应用于神经网络进化，模糊神经元网络规则提取，电路设计，数字滤波器设计，半导体器件，布局优化，控制器参数优化以及系统辨识与状态评估等。 电力系统领域 粒子群算法被用于实现电能优化电压控制，提高电站可靠性以及电容器优化配置问题等。 计算机领域 粒子群算法被用于任务分配，模式识别，图像处理以及数据挖掘等方面。 生物医学领域 粒子群算法被用于生物医学图像配准或图像数据的集合排列，基因分类等问题。 机器人控制 在机器人控制中，粒子群算法被用于机器人震动抑制轨迹规划以及动态规划问题。 三 粒子群算法Matlab实例 此例子为计算一个40个十维的粒子在空间任意的移动，得到在每个位置里fitness的值，经过1000次迭代得到求得到的最小值。 fitness函数 function result fitness x,D sum 0; for i 1:D sum sum+x i ^2; end result sum; 主函数 clear all; clc; format long; c1 1.4962; c2 1.4962; w 0.7298; MaxDT 1000; D 10; N 40; eps 10^ -6 ; for i 1:N for j 1:D x i,j randn; v i,j randn; end end for i 1:N p i fitness x i,: ,D ; y i,: x i,: ; end pg x 1,: ; for i 2:N if fitness x i,: ,D fitness pg,D pg x i,: ; end end for t 1:MaxDT for i 1:N v i,: w*v i,: +c1*rand* y i,: -x i,: +c2*rand* pg-x i,: ; x i,: x i,: +v i,: ; if fitness x i,: ,D p i p i fitness x i,: ,D ; y i,: x i,: ; end if p i fitness pg,D pg y i,: ; end end pbest t fitness pg,D ; end Solution pg' ; Rwsult fitness pg,D ; 开始 初始化 计算每个个体的适应度 调整每个个体的速度位置 最大迭代次数 结束