粒子群算法实验报告.docxVIP

湖业工業大学

湖业工業大学

算法分析与设计实验报告

专业班号组别指导老师

姓名●●者

实验日期第士四周第3次实验

实验名称_基于粒子群算法的函数优化问题

一、实验项目

基于粒子群算法的函数优化问题实验，在Windows下基于Matlab完成编程。

二、实验目的

粒子群算法，也称粒子群优化算法(ParticleSwarmOptimization),缩写为PSO,

是近年来发展起来的一种新的进化算法((Evolu2tionaryAlgorithm-EA)。这种算

法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展

示了其优越性。为学习其算法思想，有必要掌握并实现基于粒子群算法的函数优化问题

实验。

三、实验原理

粒子群优化算法(PSO)是一种进化计算技术(evolutionarycomputation),1995年由

Eberhart博士和kennedy博士提出，源于对鸟群捕食的行为研究。

PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation),而是粒子在解空间追随最优的粒子进行有哪些信誉好的足球投注网站。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及

其他遗传算法的应用领域。

四、实验内容

1、首先编写通用代码

粒子群测试各个函数的主代码写出来，对于不同的测试函数，只需要调用相应的测试函数

即可，将各个函数做成.m的文件。

matlab源代码程序如下：

clearall:

clc;

formatlong;

%------给定初始化条件--------------------

c1=1.4902;%学习因子1

c2=1.4901;%学习因子2

w=0.7281;%惯性权重

MaxDT=1000;%最大迭代次数

D=5;%有哪些信誉好的足球投注网站空间维数(未知数个数)

N=40;

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)-

fori=1:N

forj=1:D

x(ij)=randn;%随机初始化位置

v(i,j)=randn;%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---

fori=1:N

p(i)=function(x(i,:));

y(i,:)=x(i:);

end

教评

意

师阅见

签名：

年月日

争在matlab中运行结果如下：函数的全局最优位置为：Solution=1.50.9576-0.63701.26261.53010.8896最后得到的优化极值为：

争

在matlab中运行结果如下：

函数的全局最优位置为：

Solution=

1.5

0.9576

-0.6370

1.2626

1.5301

0.8896

最后得到的优化极值为：

Result=

0.5

+

-0.6|

-11.522.533.54.5

1.7265e+004

Rastrigrin函数：一个多峰值函数，其局部最优位置随着正张波动，其全局最优点在x=0,目标函数最优值在f(x)=0,各变量之问独立。二维Rastrigrin函

数如图4.6所示。

(4.9)

图4.6Rastrigrin函数三维图

pg=x(1,:);%Pg为全局最优

fori=2:N

iffunction(x(i,:))function(pg)

pg=x(i,:);

end

%-----进入主要循环，按照公式依次迭代，直到满足精度要求------

fort=1:MaxDT

fori=1:N

v(i:)=w*v(i,:)+c1*rand*(y(i:)-x(i:))+c2*rand*(pg-x(i:));

x(i,:)=x(i,:)+v(i,:);

iffunction(x(i