智能优化方法作业PSO算法Word文件下载.docx

1、 （1）其中，。要求按PSO算法思想设计一个该问题的求解算法，并利用计算机语言实现设计的算法。将实验报告和程序代码（带有详细注释）。第二章 算法设计2.1解及目标函数的表达2.1.1种群的编码显然对于一个粒子个体可以用一个含有5个元素的一维数组进行表示。对于一个种群这里使用pop_size5的二维数组进行表示。其中pop_size为种群大小。2.1.2初始种群的产生初始种群的各个粒子均采用均匀随机产生的方式，即粒子每一位都是-30到30上的随机数。同样粒子的速度也是-40到40上的随机数。这里设置速度在-40到40内是因为限定速度的最大值为40。2.1.3评价函数的构造这里直接采用解的函数值作

2、为评价函数，评价函数值越小认为该解越好。评价函数如下： （2）2.2 POS速度迭代公式为了改善算法的收敛性，这里采样带惯性权重的迭代公式，速度迭代公式如下： （3）其中：粒子的速度。w：粒子的权重，为0到1的数值。表示对之前速度的一个惯性。值越小，前一时刻的速度对当前时刻速度的影响也越小。对个体所搜索过的最优值的学习因子。值越大，向个体最优值的移动速度也越大。对全局搜索过的最优值的学习因子。值越大，向全局最优值移动的速度也越大。0到1的随机数。表示粒子学习状态的随机，有可能向全局最优值学习，有可能向个体最优值学习。也有可能几乎不学习。粒子搜索过的个体最优解。种群搜索过的全局最优解。可以看出，

3、这里将整个种群视为“连通的”。即整个种群共用一个全局最优值。另外，为了保证算法的收敛性，这里对速度的最大值进行了限定。这里设定的速度最大值的绝对值为40，即粒子的每一个分量在一次迭代过程中最多跨越搜索长度的2/3。2.3粒子的更新粒子的更新采用如下公式： （4）粒子的位置。这里同样对粒子的位置进行限定，即让粒子的每一个分量均在-30到30之间。2.4惯性权重的调整惯性权重带代表着对之前速度继承情况。一般来说，惯性权重越大全局的探索能力越强，惯性权重越小局部的开发能力越强。根据这个规律，这里采样变惯性权重的搜索方式。在搜索的开始阶段，使用较大的惯性权重，随着迭代次数的进行，逐渐减少惯性权重。使其

4、进行更多的局部开发，寻找最优解。惯性权重调整公式如下： （5）第i次迭代的惯性权重。最大惯性权重。最小惯性权重。iter_max：最大迭代次数。i：当前迭代次数。2.5停止准则停止准则采样固定的迭代次数。第三章 算法实现及分析3.1编译环境及界面介绍本次试验算法采用matlab进行实现。matlab版本为R2013b.首先我们编写了一个m脚本文件进行调试（pso_pro.m）.在程序调试成功以后，为了方便讨论各个参数对算法的影响及对算法进行分析。我们又编写了一个GUI界面（PSO_pro.fig或PSO_pro.m）。界面如下：图3.1 PSO算法GUI界面3.2 matlab中GUI界面打开

5、的3种方式方法一：将文件放到matlab当前工作目录或者添加文件目录到matlab搜索目录中。然后在命令空间输入PSO_pro.方法二：打开PSO_pro.m文件，然后点击上方run字样的绿色箭头。方法三：在命令空间输入guide,选择open existing GUI-browse-PSO_pro.fig.然后点击上方的run字样的绿色箭头。以上方法均可以打开GUI界面，但是不能直接点击PSO_pro.fig文件进行打开。这是因为这样打开GUI文件时，不会调用opening函数。即不会初始化及更新结构体。运行文件会导致错误。第四章 算法分析4.1 默认参数下的运行结果下面是默认参数下的一种运

6、行结果图4.1 默认参数下的运行情况可以看出在这些参数下，算法的收敛速度非常不错，在迭代到150次左右次之后，结果几乎不变了。最优值1.2398距离理论最优值0也是比较接近。总体来说算法表现较为良好。然后我们多运行了几次，发现并不是每一次算法都会收敛到最优值附近。如下图所示：图4.2 默认参数下收敛效果不好的情况这是因为，这里种群的大小为20，比较少。粒子群算法作为一种随机优化方法。在初始粒子分布较近，且他们的函数值离最优值较远时。他们通过互相学习，很快的就会“聚拢”。但是因为他们函数值较差，所以会出现求解失败的情况。这里由迭代曲线可以看出，在不到40代的时候，粒子几乎已经收拢了，不会出现更新

7、到更好解的情况了。下面分别讨论一些参数对算法的影响。4.2种群大小对算法的影响下面是将种群大小改为30后，其中的一次较好的迭代结果：图4.3 种群大小=30较好的一次结果可以看出，当把种群大小改为30后，算法的收敛速度更快了（坐标轴从1010到10-30变化）。同时求解的效果也非常的好。另外，由迭代曲线可以看出，粒子并没有完全“聚拢”，最优值还可以继续下降。这里1.0000是显示精度不足，并不是代表1.同样多运行几遍程序，发现很少出现求解失败的情况，即使求解失败，其最优值和之前求解失败的情况相比，也有明显的下降。图4.4 种群大小=30求解失败的情况另外，我们又将种群大小改为40,50,60.

8、发现当种群大小超过40后，求解精度几乎为10（-5）以上.同时几乎不存在求解失败的情况。总结：随着种群的增加，系统求解到最优值的精度越来越高。同时系统求解成功的概率也越来越高。系统求解成功的概率和种群的大小密切相关。4.3 最大迭代次数对算法的影响下面是将最大迭代次数改为300后的一次运行结果：图4.5 迭代次数=300的运行结果可以看出，当增加迭代次数时，求解的结果也会越来越好。但是通过多次运行发现，算法求解失败的概率几乎没有改变。这是因为算法的求解是否成功和种群的大小、他们的初始位置有关以及速度惯性权重有关。而和迭代次数关系不大，由上图可以发现在230次的时候，粒子几乎已经“聚拢”了。这时即使增加迭代次数，粒子也不会再进行广域的探索了。结论：迭代次数越多，求解的精度越高。但求解的成功概率几乎不变。4.4 实验得出的“最优”参数通过一系列的测试，我们发现在以下这组参数下，算法用时最少，同时比较容易得到最优值。图4.6 最优参数下的结果可以看出算法可以收敛到10（-30）以上，已经超过了matlab的最小数字。求解到了问题的最优值。而且差不多刚好在300代左右迭代到最优值，没有过多的浪费时间。事实上，权重的设置对算法的影响也比较大。这里由于得到的结论和算法的理论分析相同，便不再赘述了。