A. 如圖，如何用這個PSO演算法或遺傳演算法來求函數極值,用C語言編寫代碼
需要很多的子函數 %子程序：新物種交叉操作，函數名稱存儲為crossover.m function scro=crossover(population,seln,pc); BitLength=size(population,2); pcc=IfCroIfMut(pc);%根據交叉概率決定是否進行交叉操作，1則是，0則否 if pcc==1 chb=round(rand*(BitLength-2))+1;%在[1，BitLength-1]范圍內隨機產生一個交叉位 scro(1,:)=[population(seln(1),1:chb) population(seln(2),chb+1:BitLength)] scro(2,:)=[population(seln(2),1:chb) population(seln(1),chb+1:BitLength)] else scro(1,:)=population(seln(1),:); scro(2,:)=population(seln(2),:); end %子程序：計算適應度函數，函數名稱存儲為fitnessfun.m function [Fitvalue,cumsump]=fitnessfun(population); global BitLength global boundsbegin global boundsend popsize=size(population,1);%有popsize個個體 for i=1:popsize x=transform2to10(population(i,:));%將二進制轉換為十進制 %轉化為[-2，2]區間的實數 xx=boundsbegin+x*(boundsend-boundsbegin)/(power(2,BitLength)-1); Fitvalue(i)=targetfun(xx);%計算函數值，即適應度 end %給適...
望採納！
B. 粒子群優化演算法（PSO)的matlab運行程序~~謝謝大家啦！
%不知道你具體的問題是什麼，下面是一個最基本的pso演算法解決函數極值問題，如果是一些大型的問題，需要對速度、慣性常數、和自適應變異做進一步優化，希望對你有幫助
function y = fun(x)
y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289;
%下面是主程序
%% 清空環境
clc
clear
%% 參數初始化
%粒子群演算法中的兩個參數
c1 = 1.49445;
c2 = 1.49445;
maxgen=200; % 進化次數
sizepop=20; %種群規模
Vmax=1;%速度限制
Vmin=-1;
popmax=5;%種群限制
popmin=-5;
%% 產生初始粒子和速度
for i=1:sizepop
%隨機產生一個種群
pop(i,:)=5*rands(1,2); %初始種群
V(i,:)=rands(1,2); %初始化速度
%計算適應度
fitness(i)=fun(pop(i,:)); %染色體的適應度
end
%找最好的染色體
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %全局最佳
gbest=pop; %個體最佳
fitnessgbest=fitness; %個體最佳適應度值
fitnesszbest=bestfitness; %全局最佳適應度值
%% 迭代尋優
for i=1:maxgen
for j=1:sizepop
%速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;
%種群更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;
%自適應變異（避免粒子群演算法陷入局部最優）
if rand>0.8
k=ceil(2*rand);%ceil朝正無窮大方向取整
pop(j,k)=rand;
end
%適應度值
fitness(j)=fun(pop(j,:));
%個體最優更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
%群體最優更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i)=fitnesszbest;
end
%% 結果分析
plot(yy)
title(['適應度曲線 ' '終止代數＝' num2str(maxgen)]);
xlabel('進化代數');ylabel('適應度');
C. 求教PSO演算法優化函數的matlab程序，比如sphere、schaffer、rosenbrock、rastrigin、shubert函數，
呵呵，其實，如果你想知道的MATLAB功能的作用，最好是約幫助下，慢慢的你會發現它非常強大。
中國
幫助唄，那你相信的事實是錯誤的
幫助腹肌
ABS絕對值。
ABS（X）為X的元素的絕對值時
X是復雜的，ABS（X）為
的復數模量（幅度）十
的元素，這是它的作用，它僅僅是絕對值，例如ABS（-1）= 1，ABS（2）= 2。
D. 咨詢一個最簡單的PSO演算法的程序
%------基本粒子群優化演算法（Particle Swarm Optimization）-----------
%------作用：求解優化問題
%------初始格式化----------
format long;
c1=1.4962; %學習因子1
c2=1.4962; %學習因子2
w=0.7298; %慣性權重
MaxDT=1000; %最大迭代次數
D=10; %搜索空間維數（未知數個數）
N=40; %初始化群體個體數目
eps=10^(-6); %設置精度(在已知最小值時候用)
%------初始化種群的個體(可以在這里限定位置和速度的范圍)------------
for i=1:N
for j=1:D
x(i,j)=randn; %隨機初始化位置
v(i,j)=randn; %隨機初始化速度
end
end
%------先計算各個粒子的適應度，並初始化Pi和Pg----------------------
for i=1:N
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
pg=x(1,:); %Pg為全局最優
for i=2:N
if fitness(x(i,:),D)
pg=x(i,:);
end
end
%------進入主要循環，按照公式依次迭代，直到滿足精度要求------------
for t=1:MaxDT
for i=1:N
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
if fitness(x(i,:),D)<p(i)
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
if p(i)
pg=y(i,:);
end
end
Pbest(t)=fitness(pg,D);
end
%------最後給出計算結果
disp('*************************************************************')
disp('函數的全局最優位置為：')
Solution=pg
disp('最後得到的優化極值為：')
Result=fitness(pg,D)
disp('*************************************************************')
%------演算法結束---
如果想要適應度函數源程序（fitness.m），可以再聯系
E. 二進制PSO演算法
PSO演算法中每一粒子都被看是潛在的最優解，具體實現思路是先將粒子初始化，對於每個粒子都有一個當前位置以及根據適應度值做粒子更新的速度（Kennedy et al.，1995），通過迭代計算得到最優解。PSO粒子速度計算和對應位置更新的原理如式（8.1）、式（8.2）所示：
高光譜遙感影像信息提取技術
式中：xid是粒子；c1，c2是學習因子；w是慣性因子，是粒子速度保持更新之前粒子速度的能力；pid是目前單個粒子最優位置；pgd是整個粒子群目前得到的最優位置；rand是0～1之間的隨機數。
二進制PSO首先將粒子初始化為0和1組成的序列。二進制PSO演算法是對式（8.2）作些改變，其位置更新如式（8.3）所示（程志剛等，2007）：
高光譜遙感影像信息提取技術
式中： 是 Sigmoid 函數。
F. PSO演算法里不等式約束怎麼編程啊 x1+x2<2這些不等式怎麼在程序里實現兩個變數的范圍求解!急求，必重謝
我來說一種可行但不唯一的方案：
PSO求適應度函數F=f(x1,x2,...,xn)的最小值，如果你想添加比如x1+x2<2這樣的不等式，就可以在計算完適應度函數F後，判斷變數是否滿足你所要求的約束不等式，如果不滿足，則可以給適應度函數值加入一個懲罰因子，比如原先函數值是21.5，加入懲罰因子inf（無窮大），就使得適應度函數值變成了無窮大，這就達到了約束的效果；而如果滿足約束不等式，就不加入懲罰因子。
就是這樣子，不懂追問。
G. pso演算法代碼怎樣用來參數估計
%標准PSO演算法源代碼（matlab）%標准粒群優化演算法程序%2007.1.9Byjxy%測試函數：f(x,y)=100(x^2-y)^2+(1-x)^2,-2.048pop(i,8)%若當前適應值優於個體最優值，則進行個體最優信息的更新pop(i,7)=pop(i,8);%適值更新pop(i,5:6)=pop(i,1:2);%位置坐標更新endend%計算完適應值後尋找當前全局最優位置並記錄其坐標ifbest_fitness>min(pop(:,7))best_fitness=min(pop(:,7));%全局最優值gbest_x=pop(find(pop(:,7)==min(pop(:,7))),1);%全局最優粒子的位置gbest_y=pop(find(pop(:,7)==min(pop(:,7))),2);endbest_in_history(exetime)=best_fitness;%記錄當前全局最優%實時輸出結果%輸出當前種群中粒子位置subplot(1,2,1);fori=1:popsizeplot(pop(i,1),pop(i,2),'b*');holdon;endplot(gbest_x,gbest_y,'r.','markersize',20);axis([-2,2,-2,2]);holdoff;subplot(1,2,2);axis([0,gen,-0.00005,0.00005]);ifexetime-1>0line([exetime-1,exetime],[best_in_history(exetime-1),best_fitness]);holdon;end%粒子群速度與位置更新%更新粒子速度fori=1:popsizepop(i,3)=rand()*pop(i,3)+c1*rand()*(pop(i,5)-pop(i,1))+c2*rand()*(gbest_x-pop(i,1));%更新速度pop(i,4)=rand()*pop(i,4)+c1*rand()*(pop(i,6)-pop(i,2))+c2*rand()*(gbest_x-pop(i,2));ifabs(pop(i,3))>max_velocityifpop(i,3)>0pop(i,3)=max_velocity;elsepop(i,3)=-max_velocity;endendifabs(pop(i,4))>max_velocityifpop(i,4)>0pop(i,4)=max_velocity;elsepop(i,4)=-max_velocity;endendend%更新粒子位置fori=1:popsizepop(i,1)=pop(i,1)+pop(i,3);pop(i,2)=pop(i,2)+pop(i,4);
H. pso演算法的matlab程序
%------基本粒子群優化演算法（Particle Swarm Optimization）-----------
%------名稱：基本粒子群優化演算法（PSO）
%------作用：求解優化問題
%------說明：全局性，並行性，高效的群體智能演算法
%------初始格式化--------------------------------------------------
clear all;
clc;
format long;
%------給定初始化條件----------------------------------------------
c1=1.4962; %學習因子1
c2=1.4962; %學習因子2
w=0.7298; %慣性權重
MaxDT=1000; %最大迭代次數
D=10; %搜索空間維數（未知數個數）
N=40; %初始化群體個體數目
eps=10^(-6); %設置精度(在已知最小值時候用)
%------初始化種群的個體(可以在這里限定位置和速度的范圍)------------
for i=1:N
for j=1:D
x(i,j)=randn; %隨機初始化位置
v(i,j)=randn; %隨機初始化速度
end
end
%------先計算各個粒子的適應度，並初始化Pi和Pg----------------------
for i=1:N
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
pg=x(1,:); %Pg為全局最優
for i=2:N
if fitness(x(i,:),D)<FITNESS(PG,D)< span>
pg=x(i,:);
end
end
%------進入主要循環，按照公式依次迭代，直到滿足精度要求------------
for t=1:MaxDT
for i=1:N
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
if fitness(x(i,:),D)<P(I)< span>
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
if p(i)<FITNESS(PG,D)< span>
pg=y(i,:);
end
end
Pbest(t)=fitness(pg,D);
end
%------最後給出計算結果
disp('*************************************************************')
disp('函數的全局最優位置為：')
Solution=pg'
disp('最後得到的優化極值為：')
Result=fitness(pg,D)
disp('*************************************************************')
%------演算法結束---DreamSun GL & HF-----------------------------------
適應度函數源程序（fitness.m）
function result=fitness(x,D)
sum=0;
for i=1:D
sum=sum+x(i)^2;
end
result=sum;
I. 求把MATLAB的pso源代碼演算法修改為 qpso演算法 要求返回參數相同
下面的代碼是量子群優化演算法，你參照著改下：
popsize=20;
MAXITER=2000;
dimension=30;
irange_l=-5.12;
irange_r=5.12;
xmax=10;
sum1=0;
sum2=0;
mean=0;
st=0;
runno=10;
data1=zeros(runno,MAXITER);
for run=1:runno
T=cputime;
x=(irange_r- irange_l)*rand(popsize,dimension,1) + irange_l;
pbest=x;
gbest=zeros(1,dimension);
for i=1:popsize
f_x(i)=f3(x(i,:));
f_pbest(i)=f_x(i);
end
g=min(find(f_pbest==min(f_pbest(1:popsize))));
gbest=pbest(g,:);
f_gbest=f_pbest(g);
MINIUM=f_pbest(g);
for t=1:MAXITER
beta=(1-0.5)*(MAXITER-t)/MAXITER+0.5;
mbest=sum(pbest)/popsize;
for i=1:popsize
fi=rand(1,dimension);
p=fi.*pbest(i,:)+(1-fi).*gbest;
u=rand(1,dimension);
b=beta*(mbest-x(i,:));
v=-log(u);
y=p+((-1).^ceil(0.5+rand(1,dimension))).*b.*v;
x(i,:)=y;
x(i,:)=sign(y).*min(abs(y),xmax);
f_x(i)=f3(x(i,:));
if f_x(i)<f_pbest(i)
pbest(i,:)=x(i,:);
f_pbest(i)=f_x(i);
end
if f_pbest(i)<f_gbest
gbest=pbest(i,:);
f_gbest=f_pbest(i);
end
MINIUM=f_gbest;
end
data1(run,t)=MINIUM;
if MINIUM>1e-007
mean=t;
end
end
sum1=sum1+mean;
sum2=sum2+MINIUM;
%MINIUM
time=cputime-T;
st=st+time;
end
av1=sum1/10; %輸出平均收驗代數
av2=sum2/10; %輸出平均最優解
st/10 %就是最後anw輸出的解
J. 哪位大神指點一下粒子群優化演算法（PSO）的輸入和輸入分別是什麼
PSO的介面樓上已經說了，我跟你說下關於你的圖像聚類的問題怎麼選適應度函數，聚類的目的一般是選出C個質心，採用近鄰原則通過C個質心對樣本點進行聚類。
所以關於你的問題，首先要確定你想聚類成幾類，假設為C類
初始化每個粒子的位置向量為C個質心的位置（假設你的樣本維數D，初始化每一個粒子為一個C*D的向量）
適應度函數：計算每個樣本點到C個質心的位置，選擇最短的距離，假設d，計算所有樣本的距離d相加，這就是適應度函數