【正文】 grid on xlabel(39。粒子39。初始化群體個數(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。 %學習因子2c12=。參考文獻:[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)大學學報, 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,鐘偉才 等. 正交微粒群算法 [J]. 系統(tǒng)仿真學報, 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)設計已經(jīng)接近尾聲，作為一個本科生的畢業(yè)設計，由于經(jīng)驗的匱乏，難免有許多考慮不周全的地方，如果沒有導師的督促指導，以及一起工作的同學們的支持，想要完成這個設計是難以想象的。解：現(xiàn)在。 如表1 所示，在考察因子對試驗結果的影響程度時，把因子的個水平看成是個正態(tài)總體，因此可設， ， 。一般取[20 40]，對于大部分的問題， 10個粒子已經(jīng)足夠取得好的結果，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[8]。 5）卡爾曼PSO：文獻[9]利用Kalman濾波更新粒子位置。文獻[10]將PSO與單純形法相結合；文獻將PSO與序貫二次規(guī)劃相結合；文獻[12]將模擬退火與PSO結合；文獻[13]將禁忌技術與PSO結合；文獻[8]將爬山法與PSO結合；文獻[15]將PSO與擬牛頓法結合?；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，利用多個群體分別在目標搜索空間中的不同維度上進行搜索，也就是一個優(yōu)化解由多個獨立群體協(xié)作完成，每個群體只負責優(yōu)化這個解矢量部分維上的分量。性能空間指根據(jù)性能指標(如適應度、目標函數(shù)值)劃分的鄰域，如文獻[24]采用適應度距離比值(fitnessdistanceratio)來選擇粒子的相鄰粒子。實驗結果表明，在之間時，PSO算法有更快的收斂速度，而當時，算法則易陷入局部極值。公式() 表示了粒子在求解空間中，由于相互影響導致的運動位置調整。 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)化算法在實際中的應用以及對未來展望，最后總結了算法的優(yōu)缺點，附錄里面附有測試程序和測試函數(shù)。 參數(shù)的影響標準粒子群算法中主要的參數(shù)變量為（慣性權值）， ，（加速因子），本文重點對參數(shù)， ，做數(shù)據(jù)統(tǒng)計實驗。人工生命包括兩方面的內容：研究如何利用計算技術研究生物現(xiàn)象。雖然PSO算法發(fā)展迅速并取得了可觀的研究成果,但其理論基礎仍相對薄弱，尤其是算法基本模型中的參數(shù)設置和優(yōu)化問題還缺乏成熟的理論論證和研究。 主要工作論文內容介紹了基本粒子群算法，用matlab實現(xiàn)標準粒子群算法算法，對兩個不同類型函數(shù)做具體分析，然后對其參數(shù)（慣性權值），（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，他們總會變得更相似，結果就形成了規(guī)范和文明。和是介于之間的隨機數(shù)[2][5]?？梢钥闯觯剑?中慣性權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，研究人員采用每個粒子僅在一定的鄰域內進行信息交換，提出各種局部模型[21,]。文獻[14]則每間隔一定代數(shù)將整個群體隨機地重新劃分，提出動態(tài)多群體PSO。這種結合的途徑通常有兩種：一是利用其它優(yōu)化技術自適應調整收縮因子/慣性權值、加速常數(shù)等；二是將PSO與其它進化算法操作算子或其它技術結合。 3）免疫粒子群優(yōu)化：生物免疫系統(tǒng)是一個高度魯棒性、分布性、自適應性并具有強大識別能力、學習和記憶能力的非線性系統(tǒng)。 c) 慣性權值或收縮因子的選擇：當PSO的速度更新公式采用式(1)時，即使和兩個加速因子選擇合適，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]。實驗結果證明:按照方差分析選擇適應的參數(shù)設置水平，能夠獲得穩(wěn)健和高效的優(yōu)化效果。在試驗中影響指標的因素稱為因子，因子所處的狀態(tài)，所取的等級稱為因子水平。運行程序（6），在此基礎作5次試驗的結果。(5) 應用研究：算法的有效性和價值必須在實際應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