【正文】 grid on xlabel(39。粒子39。初始化群體個(gè)數(shù)D=10。,c12,c22)。pbest2=ones(N,1)。 endv1(j,:)=w*v1(j,:)+c11*rand*(p1(j,:)x1(j,:))+c21*rand*(g1x1(j,:))。,char(floor(j/10)+48),char(rem(j,10)+48),39。,char(floor(j/10)+48)，char(rem(j,10)+48),39。for i=1:N for j=1:D x(i,j)=randn。endresult=sum。 gbest2=pbest2(j)。ylabel(39。 gbest1=pbest1(i)。) tInfo=strcat(39。第39。 %學(xué)習(xí)因子2c12=。參考文獻(xiàn):[1] Kennedy J, Eberhart R. Particle swarm optimization [A]. in: Proceedings of the 4th IEEE International Conference on Neural Networks [C]，Piscataway: IEEE Service Center, 1995, 1948. [2] Garnier S, Gautrais J, Theraulaz G. The biological principles of swarm intelligence [J]. Swarm Intelligence, vol. 30, , 2007, . [3] Eberhart R, Shi Y. Particle swarm optimization: Developments, applications and resources [A]. in: Proc. IEEE Congr. Evol. Comput. [C], vol. 1, , 2001, . [4] Parsopoulos K, Vrahatis M. Recent approaches to global optimization problems through particle swarm optimization [J]. Natural Computing, , no. 1, 2002, . [5] 謝曉鋒, 張文俊, 楊之廉. 微粒群算法綜述[J]. 控制與決策, vol. 18, no. 2, 2003: 129134. [6] Hu X, Shi Y, Eberhart R. Recent advances in particle swarm [A]. in: Proc. IEEE Congr. Evol. Comput.[C], , 2004, . [7] Banks A, Vincent J, Anyakoha C. A review of particle swarm optimization. Part I: background and development [J]. Natural Computing, vol. 45, no. 6, 2007, . [8] 王萬良, 唐宇. 微粒群算法的研究現(xiàn)狀與展望[J]. 浙江工業(yè)大學(xué)學(xué)報(bào), vol. 35, no. 2, 2007: 136141. [9] Poli R, Kennedy J, Blackwell T. Particle swarm optimization: An overview [J]. Swarm Intelligence, , , 2007, . [10] Jelmer Van A, Robert B, Bart De S. Particle swarms in optimization and control [A]. in: Proceedings of the 17th World Congress The International Federation of Automatic Control [C], Seoul, Korea, 2008, . [11] Kennedy J. The particle swarm: Social adaptation of knowledge [A]. in: Proc. IEEE Int. Conf. Evol. Comput. [C], Apr. 1997, pp. 303–308. [12] Langdon W B, Poli R. Evolving problems to learn about particle swarm and other optimizers [A]. in: Proc. CEC2005 [C]. , 2005, . [13] Clerc M. Stagnation analysis in particle swarm optimization or what happens when nothing happens. Online at [14] Ling S H, Iu H. C F, Leung H F, et al. Improved hybrid particle swarm optimized wavelet neural network for modeling the development of fluid dispensing for electronic packaging [J]. IEEE Trans. Ind. Electron., vol. 55, , 2008, . [15] dos Santos Coelho L, Herrera B M. Fuzzy identification based on a chaotic particle swarm optimization approach applied to a nonlinear yoyo motion system [J]. IEEE Trans. Ind. Electron., , , 2007, . [16] Clerc M. Initialisations for particle swarm optimization. Online at , 2008. [17] Richards M, Ventura D. Choosing a starting configuration for particle swarm optimization [A]. in: Proc. IEEE Int. Joint. Conf. Neural Network. [C], vol. 3, 2004, pp. 2309–2312. [18] 薛明志,左秀會(huì),鐘偉才 等. 正交微粒群算法 [J]. 系統(tǒng)仿真學(xué)報(bào), vol. 17, no. 12, 2005, pp. 29082911. [19] Campana E F, Fasano G, Pinto A. Dynamic system analysis and initial particles position in particle swarm optimization [A]. in: Proc. IEEE Swarm Intell. Symp. [C], May, 2006, pp. 202–209. [20] Eberhart R, Shi Y, Kennedy J. Swarm Intelligence [M]. San Mateo, CA: Morgan Kaufmann, 2001. [21] Kennedy J. Small worlds and megaminds: Effects of neighborhood topology on particle swarm performance [A]. in: Proc. IEEE Congr. Evol. Comput. [C], Jul. 1999, vol. 3, pp. 1931–1938. [22] Kennedy J, Mendes R. Population structure and particle swarm performance [A]. in: Proc. IEEE Congr. Evol. Comput. [C], May 2002, vol. 2, pp. 1671–1676. [23] Suganthan P N. Particle swarm optimizer with neighbourhood operator [A]. in: Proceedings of the IEEE Congress on Evolutionary Computation (CEC) [C], Piscataway, NJ, 1999, 19581962. [24] Veeramachaneni K, Peram T, Mohan C, Osadciw L A. Optimization using particle swarms with near neighbor interactions [A]. in: Proc. Genetic and Evolutionary Computation (GECCO 2003) [C], vol. 2723, 2003, pp. 110–121. [25] Abraham A, Guo H, Liu H. Swarm intelligence: foundations, perspectives and applications [A]. Swarm Intelligent Systems, Studies in Computational Intelligence [C], N. Nedjah, L. Mourelle (eds.), Springer Verlag, 2006, . 致謝經(jīng)過半年的忙碌和工作，本次畢業(yè)設(shè)計(jì)已經(jīng)接近尾聲，作為一個(gè)本科生的畢業(yè)設(shè)計(jì)，由于經(jīng)驗(yàn)的匱乏，難免有許多考慮不周全的地方，如果沒有導(dǎo)師的督促指導(dǎo)，以及一起工作的同學(xué)們的支持，想要完成這個(gè)設(shè)計(jì)是難以想象的。解：現(xiàn)在。 如表1 所示，在考察因子對試驗(yàn)結(jié)果的影響程度時(shí)，把因子的個(gè)水平看成是個(gè)正態(tài)總體，因此可設(shè)， ， 。一般取[20 40]，對于大部分的問題， 10個(gè)粒子已經(jīng)足夠取得好的結(jié)果，對于比較難的問題或者特定類別的問題，粒子數(shù)可以取到100，200。文獻(xiàn)[8]。 5）卡爾曼PSO：文獻(xiàn)[9]利用Kalman濾波更新粒子位置。文獻(xiàn)[10]將PSO與單純形法相結(jié)合；文獻(xiàn)將PSO與序貫二次規(guī)劃相結(jié)合；文獻(xiàn)[12]將模擬退火與PSO結(jié)合；文獻(xiàn)[13]將禁忌技術(shù)與PSO結(jié)合；文獻(xiàn)[8]將爬山法與PSO結(jié)合；文獻(xiàn)[15]將PSO與擬牛頓法結(jié)合?；谶@方面的考慮，Van den Bergh等人[18]提出了協(xié)作PSO(Cooperative PSO)算法，其基本思路就是采用協(xié)作行為，利用多個(gè)群體分別在目標(biāo)搜索空間中的不同維度上進(jìn)行搜索，也就是一個(gè)優(yōu)化解由多個(gè)獨(dú)立群體協(xié)作完成，每個(gè)群體只負(fù)責(zé)優(yōu)化這個(gè)解矢量部分維上的分量。性能空間指根據(jù)性能指標(biāo)(如適應(yīng)度、目標(biāo)函數(shù)值)劃分的鄰域，如文獻(xiàn)[24]采用適應(yīng)度距離比值(fitnessdistanceratio)來選擇粒子的相鄰粒子。實(shí)驗(yàn)結(jié)果表明，在之間時(shí)，PSO算法有更快的收斂速度，而當(dāng)時(shí)，算法則易陷入局部極值。公式() 表示了粒子在求解空間中，由于相互影響導(dǎo)致的運(yùn)動(dòng)位置調(diào)整。 算法原理PSO從這種模型中得到啟示并用于解決優(yōu)化問題。最后說明粒子群優(yōu)化算法在實(shí)際中的應(yīng)用以及對未來展望，最后總結(jié)了算法的優(yōu)缺點(diǎn)，附錄里面附有測試程序和測試函數(shù)。 參數(shù)的影響標(biāo)準(zhǔn)粒子群算法中主要的參數(shù)變量為（慣性權(quán)值）， ，（加速因子），本文重點(diǎn)對參數(shù)， ，做數(shù)據(jù)統(tǒng)計(jì)實(shí)驗(yàn)。人工生命包括兩方面的內(nèi)容：研究如何利用計(jì)算技術(shù)研究生物現(xiàn)象。雖然PSO算法發(fā)展迅速并取得了可觀的研究成果,但其理論基礎(chǔ)仍相對薄弱，尤其是算法基本模型中的參數(shù)設(shè)置和優(yōu)化問題還缺乏成熟的理論論證和研究。 主要工作論文內(nèi)容介紹了基本粒子群算法，用matlab實(shí)現(xiàn)標(biāo)準(zhǔn)粒子群算法算法，對兩個(gè)不同類型函數(shù)做具體分析，然后對其參數(shù)（慣性權(quán)值），（加速因子）測試。在人們的不斷交互過程中，由于相互的影響和模仿，他們總會(huì)變得更相似，結(jié)果就形成了規(guī)范和文明。和是介于之間的隨機(jī)數(shù)[2][5]?？梢钥闯?，式（)中慣性權(quán)重表示在多大程度上保留原來的速度。為了克服全局模型的缺點(diǎn)，研究人員采用每個(gè)粒子僅在一定的鄰域內(nèi)進(jìn)行信息交換，提出各種局部模型[21,]。文獻(xiàn)[14]則每間隔一定代數(shù)將整個(gè)群體隨機(jī)地重新劃分，提出動(dòng)態(tài)多群體PSO。這種結(jié)合的途徑通常有兩種：一是利用其它優(yōu)化技術(shù)自適應(yīng)調(diào)整收縮因子/慣性權(quán)值、加速常數(shù)等；二是將PSO與其它進(jìn)化算法操作算子或其它技術(shù)結(jié)合。 3）免疫粒子群優(yōu)化：生物免疫系統(tǒng)是一個(gè)高度魯棒性、分布性、自適應(yīng)性并具有強(qiáng)大識別能力、學(xué)習(xí)和記憶能力的非線性系統(tǒng)。 c) 慣性權(quán)值或收縮因子的選擇：當(dāng)PSO的速度更新公式采用式(1)時(shí)，即使和兩個(gè)加速因子選擇合適，粒子仍然可能飛出問題空間，甚至趨于無窮大，發(fā)生群體“爆炸(explosion)”現(xiàn)象[12]。實(shí)驗(yàn)結(jié)果證明:按照方差分析選擇適應(yīng)的參數(shù)設(shè)置水平，能夠獲得穩(wěn)健和高效的優(yōu)化效果。在試驗(yàn)中影響指標(biāo)的因素稱為因子，因子所處的狀態(tài)，所取的等級稱為因子水平。運(yùn)行程序（6），在此基礎(chǔ)作5次試驗(yàn)的結(jié)果。(5) 應(yīng)用研究：算法的有效性和價(jià)值必須在實(shí)際應(yīng)用中才能得到充分體現(xiàn)。 %初始化群體維數(shù)T=100。) ylabel(39。粒子39。end%初始化全局最優(yōu)位置和最優(yōu)值g1=1000*ones(1,D)。xlabel(39