智能控制理论及应用 课件 第11章-11.2 粒子群优化算法.pptx

11.2粒子群优化

主要内容11.2.1引言11.2.2基本粒子群优化算法11.2.3粒子群优化算法的实现流程11.2.4仿真示例

11.2.1引言--PSO的起源1995年，由JamesKennedy和RussEberhart共同提出[Kennedy,J.andEberhart,R.(1995).“ParticleSwarmOptimization”,Proceedingsofthe1995IEEEInternationalConferenceonNeuralNetworks,pp.1942-1948,IEEEPress.](/~zxue/Evacuation_Research/Other_models/pso.pdf)受鸟群和鱼群社会行为的启发。它是一种基于群体的随机优化技术。第11章11.2.1引言

第11章11.2.1引言11.2.1引言

11.2.2基本粒子群优化算法每个寻优的问题解都被想像成一只鸟，我们也称为粒子。所有的粒子都有一个fitnessfunction以判断目前的位置之好坏。每个粒子有“速度”和“位置”两个属性。每一个粒子必须赋予记忆性，能记得所搜寻到的最佳位置。每一个粒子还有一个速度以决定飞行的距离与方向。第11章11.2.2基本粒子群优化算法

11.2.2基本粒子群算法第11章11.2.2基本粒子群优化算法设在D维有哪些信誉好的足球投注网站空间中，有N个粒子：粒子的位置：粒子的速度：个体最优：全局最优：

第11章11.2.2基本粒子群优化算法粒子的位置和速度更新公式如下：惯性部分认知部分社会部分

第11章11.2.2基本粒子群优化算法参数说明：（1）惯性权重w线性递减动态惯性权重最大进化代数

第11章11.2.2基本粒子群优化算法参数说明：（2）学习因子

第11章11.2.2基本粒子群优化算法参数说明：（3）粒子最大速度

第11章11.2.2基本粒子群优化算法参数说明：（4）边界条件处理

第11章11.2.2基本粒子群优化算法参数说明：（5）粒子种群规模粒子种群大小的选择视具体问题而定，但是一般设置粒子数为20～50。对于大部分的问题，10个粒子已经可以取得很好的结果；不过对于比较难的问题或者特定类型的问题，粒子的数量可以取到100或200。另外，粒子数目越大，算法有哪些信誉好的足球投注网站的空间范围就越大，也就更容易发现全局最优解；当然，算法运行的时间也越长。

PSO更新方程图示解读velocity：vid(t+1)=w*vid(t)+C1*rand()*[pid(t)-xid(t)(t)]+C2*rand()*[Pgd(t)-xid(t)(t)]v-速度w-惯性权重C-学习因子pid-区域最佳解Pgd-全域最佳解原来速度vid过去自身经验同伴飞行经验运动向量目前的区域最佳解pbest目前的全域最佳解gbest原来位置xid(t)新位置xid(t+1)原来速度vid(t)新速度vid(t+1)新位置：xid(t+1)=xid(t)+vid(t+1)第11章11.2.2基本粒子群优化算法

11.2.3粒子群算法实现流程第11章11.2.3粒子群算法实现流程

11.2.3粒子群算法实现流程第11章11.2.3粒子群算法实现流程

11.2.4仿真示例x,yin[-4,4]第11章11.2.4仿真示例用粒子群算法求下列函数的最小值

基于Matlab的粒子群算法实现%初始化clear;closeall;clc;N=100;%群体粒子个数D=2;%粒子维数T=50;%最大迭代次数c1=1.5;%学习因子1c2=1.5;%学习因子2Wmax=0.8;%惯性权重最大值Wmin=0.4;%惯性权重最小值Xmax=4;%位置最大值Xmin=-4;%位置最小值Vmax=1;%速度最大值Vmin=-1;%速度最小值%初始化种群个体（限定位置和速度）x=rand(N,D)*(Xmax-Xmin)+Xmin;v=rand(N,D)*(Vmax-Vmin)+Vmin;%初始化个体最优位置和最优值p=x;pbest=ones(N,1);fori=1:Npbest(i)=func2(x(i,:));end%初始化全局最优位置和最优值g=ones(