溷合粒子群算法基于模拟退火的算法.docxVIP

混合粒子群算法：基于模拟退火的算法 算法原理 模拟退火算法在有哪些信誉好的足球投注网站过程中具有概率突跳的能力，能够有效地避免有哪些信誉好的足球投注网站过程中陷入局部极小解。模拟退火算法在退火过程中不但接受好的解，而且还以一定的概率接受差得解，同时这种概率受到温度参数的控制，其大小随温度的下降而减小。 算法步骤 随机初始化种群中各微粒的位置和速度； 评价每个微粒的适应度，将当前各微子的位置和适应值存储在各微子的中，将所有的中适应最优个体的位置和适应值存储在中； 确定初始温度； 根据下式确定当前温度下各的适配值： 采用轮盘赌策略从所有中确定全局最优的某个替代值，然后根据下式更新各微粒的速度和位置： 计算各微粒新的目标值，更新各微粒的值及群体的值； 进行退温操作； 若满足停止条件（通常为预设的运算精度或迭代次数），有哪些信誉好的足球投注网站停止，输出结果，否知返回（4）继续有哪些信誉好的足球投注网站； 初始温度和退温温度对算法有一定的影响，一般采用如下的初温和退温方式： 算法MATLAB实现 在MATLAB中编程实现的基于杂交的粒子群算法优化函数为：。 功能：用基于模拟退火的粒子群算法求解无约束优化问题。 调用格式： 其中，：待优化的目标函数； ：粒子数目； ：学习因子1； ：学习因子2； ：退火常数； ：最大迭代次数； ：自变量的个数； ：目标函数取最小值时的自变量值； ：目标函数的最小值。 基于模拟退火的粒子群算法的MATLAB代码如下： function [xm,fv]=SimuAPSO(fitness,N,c1,c2,lamda,M,D) % fitness：待优化的目标函数; % N：粒子数目; % c1：学习因子1; % c2：学习因子2; % lamda:退火常数; % M：最大迭代次数; % D：自变量的个数; % xm：目标函数取最小值时的自变量值; % fv：目标函数的最小值。 format long; for i=1:N for j=1:D x(i,j)=randn; %随机初始化位置 v(i,j)=randn; %随机初始化速度 end end for i=1:N p(i)=fitness(x(i,:)); y(i,:)=x(i,:); end pg=x(N,:); %pg为全局最优 for i=1:(N-1) if fitness(x(i,:))fitness(pg) pg=x(i,:); end end T=fitness(pg)/log(5); %初始温度 for t=1:M groupFit=fitness(pg); for i=1:N %当前温度下各个pi的适应值 Tfit(i)=exp(-(p(i)-groupFit)/T); end SumTfit=sum(Tfit); Tfit=Tfit/SumTfit; pBet=rand(); for i=1:N %用轮盘赌策略确定全局最优的某个替代值 ComFit(i)=sum(Tfit(1:i)); if pBet=ComFit(i) pg_plus=x(i,:); break; end end C=c1+c2; ksi=2/abs(2-C-sqrt(C^2-4*C)); %速度压缩因子 for i=1:N v(i,:)=ksi*(v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg_plus-x(i,:))); x(i,:)=x(i,:)+v(i,:); if fitness(x(i,:))p(i) p(i)=fitness(x(i,:)); y(i,:)=x(i,:); end if p(i)fitness(pg) pg=y(i,:); end end T=T*lamda; end xm=pg; fv=fitness(pg); 例 基于模拟退火的粒子群算法应用实例。求下面函数的最小值 取粒子数目为40，学习因子都取2.05，迭代步数取10000，退火常数取为0.5。 解： 首先建立目标函数文件： function F=fitness(x) F=0; for i=1:5 F=F+1/(i+(x(i)-1)^2);