【正文】 感謝母校對我的培養(yǎng)！附錄 :PSOBP神經網絡程序k=[ ]。%慣性權值b1=。%粒子群個數(shù)Dimension =4。%最大位置Disturb = 5。k = Swarm(1,:)。p=[500 400 475 472 545 676 345 476 535 476 135 278 135 478 449。p1=p(1,:)。plot(T,p1)。pause clcplot(T,p4)。purelin39。p1=p(1,:)。%各微粒的初始適應值for i = 1:Number_Particle k = Swarm(i,:)。mq2=sum(u2)/i。mdq2=sum(u4)/i。W=W1。 Local_Best_Particle(i,:) = k。 endendfor i = 1:Generation Local_temp = Local_Best_Particle。 for j = 1:Number_Particle k = Swarm(j,:)。 u1=abs(p1)。u3=abs(p3)。w1={1,1}。S=[ mq1 mq2 mdq1 mdq2]39。 Local_Best_Particle(j,:) = k。 for m = 1:Dimension if abs(Velocity(j, m)) Max_Velocity Velocity(j, m) = sign(Velocity(j, m))*Max_Velocity*rand(1)。 endplot(Progress_Of_Fitness)。)。pause clcE = t Y。grid on。pause clc。pauseclcplot(T,p3)。grid on。hold onplot(T,Y)。pauseclcplot(T,t,39。 if abs(Swarm(j, m)) Max_Swarm Swarm(j, m) = sign( Swarm(j, m))*Max_Swarm*rand(1)。 Global_Best_Particle = k。 Fitness = fb(2,1)。W1=[w1]。u4=abs(p4)。u2=abs(p2)。net = train(net,p,t)。 Local_Fitness = Local_Best_Fitness。 if Fitness Global_Best_Fitness Best_Fitness = Fitness。fb=W*S。w2={2,1}。mdq1=sum(u3)/i。mq1=sum(u1)/i。p3=p(3,:)。traingd39。tansig39。pauseclcplot(T,p2)。p3=p(3,:)。 507 568 561 468 641 546 741 426 460 406 460 527 480 517 625]。Global_Best_Fitness =fitness。Velocity = Max_Velocity*(rand(Number_Particle, Dimension))。%代數(shù)Max_Velocity = 10。fitness=。w2=k。我的大學生活正是有了你們這些可愛的人，才會繽紛多彩，讓我有勇氣克服一切困難和挫折。到此，四年的大學生活與學習即將要結束。我覺得這其中最大的功勞不是我的，而是我的指導老師李全副教授。本文將粒子群優(yōu)化算法與BP神經網絡結合在一起，并將其運用于城市快速路小時的交通流量預測中去。智能交通系統(tǒng)根據(jù)交通信息的各方面收集、統(tǒng)計，可以更有效的調節(jié)城市道路的交通流量，更好地解決城市交通的安全和擁堵等問題，合理利用道路資源。證明了PSOBP神經網絡運用到交通流預測中是可行的。 578 229 581 409 541 671 551 641 487 601 427 467 407 627 568。選擇合適的學習因子c1，c2，也就能讓算法同時兼顧收斂性和不易陷入局部最優(yōu)，保證算法的最好效果。根據(jù)科學家們對隱含層的研究，我們這個設計選取隱含層節(jié)點數(shù)為2n+1個，式中的n代表了數(shù)據(jù)輸入的節(jié)點數(shù)的數(shù)目。城市的交通流雖然具有這些不穩(wěn)定的特征和因素，但是這并不代表它是不可以預測的。如果其搜索到的結果比gbest要更好，則用這個結果代替pbest并相應更新其對應的位置，flag=0，t=t+1，如果t大于，轉到第六步，否則轉到第三步；如果flag小于，t=t+1，如果t大于，轉到執(zhí)行第六步，否則轉到執(zhí)行第三步。第二步，對整個粒子群的每個粒子的初始適應度值進行計算，設定為粒子的當前位置，設定為初始化粒子中的最好位置?，F(xiàn)在基于PSO與BP算法的研究已經形成兩類不同的混合算法。粒子群優(yōu)化算法(PSO)具有非常好的全局搜索這些特性，而BP算法就具有的快速的局部搜索能力的特點，如果能有效地將這兩種算法結合起來應用，就可以形成一種新型的混合算法，并把它應用于對神經網絡權值進一步優(yōu)化將會提高算法的性能和準確度。它的編碼方式可以用數(shù)學式表示為： （）式中，i代表粒子數(shù)，i=1，2，…，M。當采用PSO算法來優(yōu)化訓練神經網絡的時候，開始的時，先將特定的構造中所有神經元件的連接權值都需要進行編碼。但是，由于算法構造的架構的原因，屬于一介算法的BP算法比較容易陷入局部極值或者出現(xiàn)一些比如收斂較慢等一些不好的情況，這些都是目前比較難或者根本沒有辦法克服的缺陷與不足。這些詳細內容的學習都是下面的研究的重要基礎，接下來的內容都是由此擴展，由此延伸。（2）粒子群優(yōu)化算法的生物學基礎。（4）在應用方面，粒子群優(yōu)化算法主要應用于連續(xù)問題的解決，比如神經網絡訓練這些方面的應用；而全局蟻群優(yōu)化算法除了可以解決連續(xù)的問題之外，還能應用于離散問題，比如旅行問題、工作車間調度等問題。（6）對于應用在解決高維復雜問題時，往往都會有早熟收斂和收斂性差這些缺點，無法確定收斂到最優(yōu)點。（2）兩種算法都屬全局優(yōu)化方法。（4）在收斂性方面的研究，遺傳算法已經比較成熟，反觀粒子群優(yōu)化算法在這方面的研究還比較薄弱有待進一步發(fā)展。（5）兩種算法都應用于高維復雜問題的時候，都容易會有早熟收斂或者收斂性差這些缺陷與不足，都無法確定一定能收斂到最優(yōu)點。相同點：(1)兩種算法都是仿生物算法。這些對于粒子群優(yōu)化算法的改進和研究都在很大程度地促進了粒子群優(yōu)化算法的發(fā)展和擴展它的應用領域和實用性，準確性等，不斷地將其完善。慣性權重是用來控制算法的開發(fā)和探測能力。為了更好的控制粒子群優(yōu)化算法的探測和開發(fā)能力這兩個方面的目的，研究者嘗試將慣性權重w這么參數(shù)引進入式（）中，形成下面這個標準的粒子群優(yōu)化算法公式： （） 科學家們通過大量的實驗研究了慣性權重與算法性能的關系，根據(jù)數(shù)據(jù)的分析過發(fā)現(xiàn)了較大的w值會使算法躍出局部最優(yōu)，轉而進行全局優(yōu)化；而較小的w值就有利于算法的局部尋優(yōu)，加快算法收斂。（4）科學家在研究中發(fā)現(xiàn)了粒子群優(yōu)化算在接近或者算法進入最優(yōu)區(qū)域時的收斂速度是相對比較慢的。（3）科學家在研究中發(fā)現(xiàn)了當粒子群優(yōu)化算法應用于求解高維復雜的問題優(yōu)化的情況下，算法通常會遇到收斂過早熟這些問題，意思就是說算法還有找到最優(yōu)點時就已經停滯在某一點不再移動。這是因為粒子群優(yōu)化算法相對原理簡單，計算速度快和占用率少，對電腦的內存和CPU速度需求的要求都不高，又不需要目標函數(shù)的梯度信息，只是依靠函數(shù)值就可以了。第四步：對于群體中的每個粒子，計算并把它的適應值與全局最好位置的適應值比較，如果這個值較好，就可以把它作為當前全局最好位置。另外，我們也可根據(jù)實際的應用需要對目標函數(shù)進行變換。（6）算法的終止條件。限定粒子最大飛行速率，是為了讓粒子不飛離問題搜索空間的范圍。粒子的長度就是要解決問題的長度，這個長度是由具體優(yōu)化的問題去決定的。經過很多實驗數(shù)據(jù)可以表明，對于解決那些比較簡單問題時，只需要用到30個粒子就可以很好地解決問題了；但是，對于那些比較復雜或是比較特殊問題時求解時，根據(jù)實際需要粒子數(shù)目可以取到100到200之間。以當前該算法的研究水平來說，粒子群優(yōu)化算法的理論還不夠完善，所以算法的參數(shù)設置還很依賴與經驗。粒子找到上述的兩個極值后，就會此為基礎依照（）、（）式來更新自己的速度和當前位置： （） （）在公式中, c1和c2被我們叫做學習因子或加速常數(shù)；rand()是在（0，1）之間的隨機數(shù)；和分別是粒子i在第k次迭代中在第d維中的速度和位置；為粒子在在第d維的個體極值的位置；是粒子群體在第d維中的全局極值的位置。粒子自己的飛行經驗：粒子知道自己到目前最好位置和當前位置；另外，粒子的同伴經驗：每個粒子知道當前整個群體最好位置 [11]。這種現(xiàn)象表明了，這種復雜全局的行為，是通過鳥與鳥之間這種貌似非常簡單的規(guī)則相互作用相互影響著而引起的。粒子群優(yōu)化算法是一種基于群體演化的算法，人工生命和演化計算方面的理論是其的思想來源。與遺傳算法相比之下，PSO的優(yōu)勢和特點在于原理簡單并且算法的實現(xiàn)很容易，要求設置的參數(shù)少。它是近年才發(fā)展起來的一種新型的進化算法（Evolutionary Algorith