Matlab粒子群算法工具箱使用方法和实例演示.ppt

粒子群算法工具箱应用简介;1。引言;2。算法思想;3。抽象;3。抽象;3。算法介绍;3。算法介绍;Vmax: 最大速度，决定粒子在一个循环中最大的移动距离， 通常设定为粒子的范围宽度,例如，粒子 (x1, x2, x3) ，x1 属于 [-10, 10], 那么 Vmax 的大小就是 20。 学习因子: 使粒子具有自我总结和向群体中优秀个体学习的能力，从而向群体内或邻域内最优点靠近，c1 和 c2 通常等于2，并且范围在 0 和 4 之间。 中止条件: 最大循环数以及最小错误要求。 惯性权重w :决定了对粒子当前速度继承多少，合适的选择可以使粒子具有均衡的探索能力和开发能力，惯性权重的取法有常数法、线性递减法、自适应法等。;3。算法介绍;3。算法介绍;粒子群优化算法Matlab工具箱简介;粒子群优化算法Matlab工具箱简介;粒子群优化算法Matlab工具箱简介;粒子群优化算法Matlab工具箱简介;pso_Trelea_vectorized(functname, D, mv, VarRange, minmax, PSOparams, plotfcn, PSOseedValue) Functname：目标函数名 D：待优化问题的维数； mv：粒子飞行的最大速度； VarRange：参数变化范围矩阵； Minmax：寻优类型，取0代表求目标函数最小值，取1代表求目 标函数最大值）； PSOparams：参数矩阵，包括最大迭代次数、粒子群规模、惯性因子、学习因子、终止迭代条件等； Plotfcn：寻优过程中用于展示寻优过程的画图函数； PSOseedValue：可允许用户输入任意多组初始粒子。 ;求非线性函数极大值 ;工具箱应用实例;（1）编写待优化函数程序 function z = test_func(in) nn=size(in); %输入的是矩阵 ，即算法中随机产生一组x和y ，按[x(nn, 1), y(nn, 1)]排列 x=in(:,1); y=in(:,2); nx=nn(1); for i=1:nx temp=sin(sqrt(x(i)^2+y(i)^2))/sqrt(x(i)^2+y(i)^2)+exp((cos(2*pi*x(i))+cos(2*pi*y(i)))/2)-2.71289; z(i,:)=temp; end ;（2）编写调用函数 x_range=[-2,2]; y_range=[-2,2]; range=[x_range; y_range]; Max_V=0.2* (range(:,2) - range(:,1)); %最大速度取范围的 10％~ 20% n=2; %粒子维数 PSOparams=[10 300 20 2 2 0.9 0.4 1500 1e-25 250 NaN 0 0] %个体数目 20 ，进化次数 300 PSO_Trelea_vectorized(test_func, n, Max_V, range, 1, PSOparams) ;;;