[Matlab粒子群算法工具箱使用方法及实例演示.ppt

粒子群算法工具箱应用简介 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 1。引言 粒子群算法（PSO算法） 定义：粒子群算法，又称粒子群优化算法（Partical Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法（Evolutionary Algorithm - EA），由Eberhart 博士和kennedy 博士于1995年提出，其源于对鸟群捕食的行为研究。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 2。算法思想 PSO模拟鸟群的捕食行为。 设想这样一个场景：一群鸟在随机搜索食物，在这个区域里只有一块食物，所有的鸟都不知道食物在那里，但是它们知道当前的位置离食物还有多远，那么找到食物的最优策略是什么呢？ 最简单有效的就是搜寻目前离食物最近的鸟的周围区域。都向这片区域靠拢。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3。抽象 PSO中，将问题的搜索空间类比于鸟类的飞行空间，将每只鸟抽象为一个无质量无体积的微粒，用以表征优化问题的一个候选解，我们称之为“粒子”，优化所需要寻找的最优解则等同于要寻找的食物。 所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3。抽象 PSO初始化为一群随机粒子(随机解、一群鸟)，然后通过迭代找到最优解。在每一次迭代中，粒子（鸟）通过跟踪两个“极值”来更新自己的位置。一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。（gBest是pBest中最好值） Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3。算法介绍 在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和位置： 其中 ，V 是粒子的速度，Present 是粒子的当前位置 ，pBest 与 gBest见前面定义。rand ( )是(0 ,1)之间的随机数 ,c1和c2被称作学习因子。通常 ，c1 = c2 = 2。w 是加权系数（惯性权重），取值在 0. 1到0. 9之间。粒子通过不断学习更新 ，最终飞至解空间中最优解所在的位置 ，搜索过程结束。最后输出的 gBest 就是全局最优解。在更新过程中 ,粒子每一维的最大速率限被限制为 Vmax ,如果某一维更新后的速度超过设定的Vmax，那么这一维的速度就被限定为Vmax。 Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. 3。算法介绍 将粒子延伸到N维空间，粒子i在N维空间里的位置表示为一个矢量，每个粒子的飞行速度也表示为一个矢量。 粒子数（鸟的个数）: 一般取 1~40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果; 粒子的长度（维度）: 这是由优化问题决定, 就是问题解的长度（决策变量个数）; 粒子的范围: 由优化问题决定，每一维可以设定不同的范围； Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd. Vmax: 最大速