matlab課程設(shè)計報告-文庫吧
2025-04-28 22:31 本頁面
【正文】 中，每一個個體遵循：避免與鄰域個體相沖撞、匹配鄰域個體的速度、試圖飛向感知到的鳥群中心這三條規(guī)則形成簡單的非集中控制算法驅(qū)動鳥群的聚集，在一系列模擬實驗中突現(xiàn)出了非常接近現(xiàn)實鳥群聚集行為的現(xiàn)象。該結(jié)果顯示了在空中回旋的鳥組成輪廓清晰的群體，以及遇到障礙物時鳥群的分裂和再度匯合過程。由此受到啟發(fā)，經(jīng)過簡化提出了粒子群優(yōu)化算法。在粒子群優(yōu)化算法中，每個優(yōu)化問題的潛在解都是搜索空間中的一只鳥，稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索。優(yōu)化開始時先初始化為一群隨機(jī)粒子（隨機(jī)解）。然后通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己。第一個極值就是整個種群目前找到的最優(yōu)解。這個極值是全局極值。另外也可以不用整個種群而只是用其中一部分作為粒子的鄰居，那么在所有鄰居中的極值就是局部極值。第二個極值是粒子本身所找到的最優(yōu)解，稱為個體極值。這是因為粒子僅僅通過跟蹤全局極值或者局部極值來更新位置，不可能總是獲得較好的解。這樣在優(yōu)化過程中，粒子在追隨全局極值或局部極值的同時追隨個體極值則圓滿的解決了這個問題。這就是粒子群優(yōu)化算法的原理。在算法開始時，隨機(jī)初始化粒子的位置和速度構(gòu)成初始種群，初始種群在解空間中為均勻分布。其中第i個粒子在n維解空間的位置和速度可分別表示為Xi=（xi1,xi2,…,xid）和Vi=（vi1,vi2,…,vid），然后通過迭代找到最優(yōu)解。在每一次迭代中，粒子通過跟蹤兩個極值來更新自己的速度和位置。一個極值是粒子本身到目前為止所找到的最優(yōu)解，這個極值稱為個體極值Pbi=（Pbi1,Pbi2,…,Pbid）。另一個極值是該粒子的鄰域到目前為止找到的最優(yōu)解，這個極值稱為整個鄰域的最優(yōu)粒子Nbesti=(Nbesti1,Nbesti2,…,Nbestid)。粒子根據(jù)如下的式(21)和式(22)來更新自己的速度和位置：Vi=Vi+c1rand()(PbestiXi)+c2rand()(NbestiXi) (21)Xi= Xi+ Vi (22)式中c1和c2是加速常量，分別調(diào)節(jié)向全局最好粒子和個體最好粒子方向飛行的最大步長，若
語文相關(guān)推薦
鄂ICP備17016276號-1