改進(jìn)的pso算法的實(shí)現(xiàn)畢業(yè)論文-免費(fèi)閱讀
【正文】 if(j==funDim1) (globalBestPosition[j])。 if(i % 100== 0) { globalBestPosition = ()。 int PSONum = 100。 globalBestIndex = tempBestIndex。i++) { particles[i].updateFitness()。 for(int i=0。 public PSO(int PSONum) { = PSONum。 } }}class PSO{ Particle particles[]。i++) { bestPosition[i] = position[i]。 } Function fun = new Function()。 public Particle() { funDim = ()。 static final double c1 = 。//dim是優(yōu)化函數(shù)的維數(shù) public static int getDim() { return dim。通過(guò)多次的實(shí)驗(yàn)發(fā)現(xiàn)，最大速度Vmax對(duì)于實(shí)驗(yàn)結(jié)果有很大的影響，當(dāng)Vmax取值偏大時(shí)，粒子很容易“飛”出[500，500]的范圍，得不到滿(mǎn)足要求的解，但是當(dāng)Vmax取值偏小時(shí)，雖然能將粒子限定在[500，500]的范圍內(nèi)，但是往往會(huì)陷入到局部極大值中。Step 4: 對(duì)每個(gè)粒子,將其適應(yīng)值與全局所經(jīng)歷的最好位置gbest作比較,如果較好,則重新設(shè)置gbest的索引號(hào)。在找到這兩個(gè)最優(yōu)值時(shí),粒子根據(jù)如下的公式來(lái)更新自己的速度和新的位置：vi(t+1)=w180。粒子群優(yōu)化(PSO)最初是處理連續(xù)優(yōu)化問(wèn)題的,目前其應(yīng)用已擴(kuò)展到組合優(yōu)化問(wèn)題。美國(guó)學(xué)者Eberhart E C和Kennedy J于1995年提出的粒子群優(yōu)化(particle swarm optimization)算法是基于對(duì)鳥(niǎo)群、魚(yú)群的模擬。作為一種高效并行優(yōu)化方法,PSO可用于求解大量非線性、不可微和多峰值的復(fù)雜優(yōu)化問(wèn)題,再加上PSO算法的程序?qū)崿F(xiàn)異常簡(jiǎn)潔,需要調(diào)整的參數(shù)少,因而發(fā)展很快,出現(xiàn)了多種改進(jìn)PSO算法,并已應(yīng)用于許多科學(xué)和工程領(lǐng)域,得到了眾多學(xué)者的重視和研究。[gbxi(t)] (1)xi(t+1)=xi(t)+vi(t+1) (2) 其中:vi(t)是粒子i的t時(shí)刻的速度,w為慣性權(quán)重,xi(t)是當(dāng)前粒子的位置,pbi和gb如前定義,rand是介于(0,1)之間的隨機(jī)數(shù).c1,=c2=2.PSO的算法流程如下:Step 1: 初始化一群粒子(群體規(guī)模為m),包括隨機(jī)位置和速度。在這個(gè)程序中，粒子數(shù)PSONum和函
外語(yǔ)相關(guān)推薦
鄂ICP備17016276號(hào)-1