粒子群算法matlab代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% % 改进的多目标粒子群算法，包括多个测试函数

% 对程序中的部分参数进行修改将更好地求解某些函数 %

ZDT1NP=cell(1,50); ZDT1FV=cell(1,50); ZDT1T=zeros(1,50); for i=1:50 tic;

%[np,nprule,dnp,fv,goals,pbest]=ParticleSwarmOpt('ZDT1',0.1,50,100,2.0,1.0,0.4,200,30,zeros(1,30),ones(1,30));%--ZDT1 elapsedTime=toc; ZDT1NP(i)={np}; ZDT1FV(i)={fv};

ZDT1T(i)=elapsedTime;display(strcat('ZDT1',num2str(i))); end

zdt1fv=cell2mat(ZDT1FV');

zdt1fv=GetLeastFunctionValue(zdt1fv);

ZDT2NP=cell(1,50); ZDT2FV=cell(1,50); ZDT

% 优化函数以m文件的形式放在fitness.m里面，对不同的优化函数只要修改fitness.m就可

%------基本粒子群优化算法（Particle Swarm Optimization, PSO）-----------

%------初始格式化-------------------------------------------------- clear all;

clc;

format long;

%------给定初始化条件---------------------------------------------- c1=1.4962; %学习因子1

c2=1.4962; %学习因子2

w=0.7298; %惯性权重

MaxDT=1000; %最大迭代次数

D=4; %搜索空间维数（未知数个数）

N=10; %初始化群体个体数目

eps=10^(-6); %设置精度(在已知最小值时候用)

%------初始化种群的个体(可以在这里限定位置和速度的范围)------------

分类号：X169 U D C：D10621-408-(2011)0261-0 密 级：公 开 编 号：2007042029

XXX 学位论文

PSO-PPR颗粒物源解析技术研究

论文作者姓名： 申请学位专业： 申请学位类别： 指导教师姓名（职称）： 论文提交日期：

XXX 环境工程 工科学士 XXX（副教授） 2011年06月 日

PSO-PPR颗粒物源解析技术研究

摘 要

针对投影寻踪回归法（PPR）在实现大气颗粒物源解析过程中中需要调整的参数较多、程序编辑工作量大的问题，应用粒子群算法（PSO）将PPR模型的参数优化，得到各污染源对大气颗粒物的优化贡献率。这种新方法应用于成都市大气颗粒物的源解析结果与其他多种源解析法得出的结果基本一致，理论分析和应用实践表明该方法应用于大气颗粒物源解析研究具有可行性并且具有方便、准确和实用性强等特点。

关键词：大气颗粒物；源解析；投影寻踪回归；粒子群算法

Technology Research of Projection Pursuit Regression Source Apportionment of Atmosp

%------------------------------------------------ %-----------------------------初始格式化-------- clear all； clc；

format long；

%----------给定初始化条件------------ c1=1.4962； %学习因子1 c2=1.4962； %学习因子2 w=0.7298； % 惯性权重 MaxDT=1000； %最大迭代次数

D=10； %搜索空间维数（未知数个数） N=30； %初始化群体个体数目

eps=10^（-6）；%设置精度（在已知最小值时候用）

%------初始化种群的个体（可以在这里限定位置和速度的范围）----- for i=1：N for j=1：D

x（i，j）=random；%随机初始化位置 v（i，j）=random；%随机初始化速度 end end

%---------------先计算各个粒子的适应度，并初始化Pi和Pg---- for i=1：N

p（i）=fitness（x（i，：），D）； y（i，：）=x（i，：）； en

分类号：X169 U D C：D10621-408-(2011)0261-0 密 级：公 开 编 号：2007042029

XXX 学位论文

PSO-PPR颗粒物源解析技术研究

论文作者姓名： 申请学位专业： 申请学位类别： 指导教师姓名（职称）： 论文提交日期：

XXX 环境工程 工科学士 XXX（副教授） 2011年06月 日

PSO-PPR颗粒物源解析技术研究

摘 要

针对投影寻踪回归法（PPR）在实现大气颗粒物源解析过程中中需要调整的参数较多、程序编辑工作量大的问题，应用粒子群算法（PSO）将PPR模型的参数优化，得到各污染源对大气颗粒物的优化贡献率。这种新方法应用于成都市大气颗粒物的源解析结果与其他多种源解析法得出的结果基本一致，理论分析和应用实践表明该方法应用于大气颗粒物源解析研究具有可行性并且具有方便、准确和实用性强等特点。

关键词：大气颗粒物；源解析；投影寻踪回归；粒子群算法

Technology Research of Projection Pursuit Regression Source Apportionment of Atmosp

粒子群优化算法(1)—粒子群优化算法简介

PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。这个过程我们转化为一个数学问题。寻找函数y=1-cos(3*x)*exp(-x)的在[0,4]最大值。该函数的图形如下：

当x=0.9350-0.9450，达到最大值y=1.3706。为了得到该函数的最大值，我们在[0, 4]之间随机的洒一些点，为了演示，我们放置两个点，并且计算这两个点的函数值，同时给这两个点设置在[0, 4]之间的一个速度。下面这些点就会按照一定的公式更改自己的位置，到达新位置后，再计算这两个点的值，然后再按照一定的公式更新自己的位置。直到最后在y=1.3706这个点停止自己的更新。这个过程与粒子群算法作为对照如下：

这两个点就是粒子群算法中的粒子。 该函数的最大值就是鸟群中的食物。

计算两个点函数值就是粒子群算法中的适应值，计算用的函数就是粒子群算法中的适应度函数。

更新自己位置的公式就是粒子群

粒子群算法的matlab实现

function [pso F] = pso_2D()

% FUNCTION PSO --------USE Particle Swarm Optimization Algorithm % global present;

% close all;

clc;

clear all;

pop_size = 10; % pop_size 种群大小 ///粒子数量

part_size = 2; % part_size 粒子大小 ///粒子的维数

gbest = zeros(1,part_size+1); % gbest 当前搜索到的最小的值

max_gen = 200; % max_gen 最大迭代次数

%best=zeros(part_size,pop_size*part_size);%xuan

region=zeros(part_size,2); % 设定搜索空间范围->解空间

region=10*[-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3]; %

基本粒子群算法的原理和matlab程序

作者——niewei120（nuaa）

一、粒子群算法的基本原理

粒子群优化算法源自对鸟群捕食行为的研究，最初由Kennedy和Eberhart提出，是一种通用的启发式搜索技术。一群鸟在区域中随机搜索食物，所有鸟知道自己当前位置离食物多远，那么搜索的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO 算法利用这种模型得到启示并应用于解决优化问题。PSO 算法中，每个优化问题的解都是粒子在搜索空间中的位置，所有的粒子都有一个被优化的目标函数所决定的适应值，粒子还有一个速度值决定它们飞翔的方向和距离，然后粒子群就追随当前的最优粒子在解空间中搜索。

PSO 算法首先在给定的解空间中随机初始化粒子群，待优化问题的变量数决定了解空间的维数。每个粒子有了初始位置与初始速度。然后通过迭代寻优。在每一次迭代中，每个粒子通过跟踪两个“极值”来更新自己在解空间中的空间位置与飞翔速度。第一个极值就是单个粒子本身在迭代过程中找到的最优解粒子，这个粒子叫做个体极值 。另一个极值是种群所有粒子在迭代过程中所找到的最优解粒子，这个粒子是全局极值。上述的方法叫全局粒子群算法。如果不用种群所有粒子而只用其中一部分作为该粒子的邻

%function [pso F] = pso_2D()

% FUNCTION PSO --------USE Particle Swarm Optimization Algorithm % global present; % close all; clc; clear all;

pop_size = 10; % pop_size 种群大小 ///粒子数量 part_size = 2; % part_size 粒子大小 ///粒子的维数 gbest = zeros(1,part_size+1); % gbest 当前搜索到的最小的值 max_gen = 200; % max_gen 最大迭代次数

?st=zeros(part_size,pop_size*part_size);%xuan

region=zeros(part_size,2); % 设定搜索空间范围->解空间

region=10*[-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-3,3;-

基于MATLAB的量子粒子群优化算法及其应用

38　　　　　计算机与数字工程　　　　　　　　　　　　　　　　　　　第35卷

基于MATLAB的量子粒子群优化算法及其应用

余　健　郭　平

1)

2)

)

(韩山师范学院数信学院1)　潮州　521041)(北京师范大学信息科学学院2　北京　100875)

3

摘　要　量子粒子群优化(QPSO)算法是在经典的粒子群优化(PSO)算法的基础上所提出的一种具有量子行为的粒子群优化算法,具有高效的全局搜索能力。通过求解J.D.Schaffer,方法具有良好的收敛性和稳定性。

关键词　QPSO　量子　粒子群中图分类号　TP301.6

1　引言

是一种基于

,但,易陷入局部极值。孙俊等人在文献[4]中给出了具有量子行为的粒子群优化算法,即QPSO算法。该算法简单有效,收敛速度快,全局搜索性能远优于PSO算法。

点,最后收敛于Pbest点。因此,在整个过程中,在Pbest点处实际上存在某种形式的吸引势能场吸引着粒子,这正是整个粒子能保持聚集性的原因

[7]

。但在经典PSO算法中,粒子是在经

典力学的状态下沿着确定的轨迹飞行,因此粒子搜索的空间是一个有限的区域,因而不能保证一定找到全局最优解。

2　粒子群优化算法

PSO算法首先初始化一群随机粒子,