matlab課程設(shè)計報告(編輯修改稿)
2025-06-09 22:31 本頁面
【文章內(nèi)容簡介】 太小，則粒子可能遠(yuǎn)離目標(biāo)區(qū)域,若太大則會導(dǎo)致突然向目標(biāo)區(qū)域飛去，或飛過目標(biāo)區(qū)域。合適的c1，c2可以加快收斂且不易陷入局部最優(yōu)。rand()是0到1之間的隨機(jī)數(shù)。粒子在每一維飛行的速度不能超過算法設(shè)定的最大速度Vmax。設(shè)置較大的Vmax可以保證粒子種群的全局搜索能力，Vmax較小則粒子種群優(yōu)化算法的局部搜索能力加強(qiáng)。粒子群優(yōu)化算法是在模擬鳥群覓食時受到啟發(fā)提出的。提出之后卻發(fā)現(xiàn)用動物或人的認(rèn)知來解釋算法的原理更加完美。在速度更新公式(21)中由3個部分構(gòu)成。第1個部分是Vi，表示粒子在解空間有按照原有方向和速度進(jìn)行搜索的趨勢，這可以用人在認(rèn)知事物時總是用固有的習(xí)慣來解釋。第2個部分是c1rand()(PbestiXi)，表示粒子在解空間有朝著過去曾碰到的最優(yōu)解進(jìn)行搜索的趨勢，這可以用人在認(rèn)知事物時總是用過去的經(jīng)驗來解釋。第3部分是c2rand()(NbestiXi)，表示粒子在解空間有朝著整個鄰域過去曾碰到的最優(yōu)解進(jìn)行搜索的趨勢，這可以用人在認(rèn)知事物時總可以通過學(xué)習(xí)其他人的知識，也就是分享別人的經(jīng)驗來解釋。因此，粒子群優(yōu)化算法實際上是借用了人或動物認(rèn)知事物時的習(xí)慣，經(jīng)驗，及學(xué)習(xí)過程來進(jìn)行尋優(yōu)的。粒子在優(yōu)化過程中的運動軌跡見圖1。圖1 粒子群算法優(yōu)化搜索示意圖粒子群優(yōu)化算法具有以下主要優(yōu)點：(1)易于描述；(2)便于實現(xiàn)；(3)要調(diào)整的參數(shù)很少；(4)使用規(guī)模相對較少的群體；(5)收斂需要評估函數(shù)的次數(shù)少；(6)收斂速度快粒子群優(yōu)化算法很容易實現(xiàn)，計算代價低，由于其內(nèi)存和CPU速度要求都很低。而且，它不需要目標(biāo)函數(shù)的梯度信息，只依靠函數(shù)值。粒子群優(yōu)化算法已被證明是解決許多全局優(yōu)化問題的有效方法。三、粒子群優(yōu)化算法的實現(xiàn)粒子群優(yōu)化算法具有編程簡單，易實現(xiàn)的特點，粒子群優(yōu)化算法的流程如圖2所示。下面給出其實現(xiàn)的具體步驟：步驟1：初始化。初始搜索點的位置X0i及其速度V0i通常是在允許的范圍內(nèi)隨機(jī)產(chǎn)生的，每個粒子的Pbest坐標(biāo)設(shè)置為其當(dāng)前位置，且計算出其相應(yīng)的個體極值（即個體極值點的適應(yīng)度值），而整個鄰域的最優(yōu)粒子就是該粒子鄰域中個體極值中最好的，記錄該最好值的粒子序號，并將Nbesti設(shè)置為該最好粒子的當(dāng)前位置。步驟2：評價每一個粒子。計算粒子的適應(yīng)度值,如果好于該粒子當(dāng)前的個體極值，則將Pbest設(shè)置為該粒子的位置，且更新個體極值。如果在該粒子
語文相關(guān)推薦
鄂ICP備17016276號-1