線性粒子捕捉證明演算法

Ⅰ 粒子群演算法的matlab程序，一個線性規劃問題的解決。主要是那個限制條件的處理。

[r,c] = find(R == max(R(:))); 檢索R中最大元素所在的位置（行標r和列標c）
thetap = theta(c(1)); theta（）是自定義函數

Ⅱ 用粒子群演算法求解線性約束整數規劃的Matlab程序

對粒子群的約束問題涉及的比較少。這兒摘抄下網路的內容：

PSO演算法推廣到約束優化問題，分為兩類：（http://ke..com/view/1531379.htm）
（1）罰函數法。罰函數的目的是將約束優化問題轉化成無約束優化問題。
（2）將粒子群的搜索范圍都限制在條件約束簇內，即在可行解范圍內尋優。

第一種方法有相關論文，看了下，感覺比較適合等式約束情況，比較類似於在適應度函數中加入拉格朗日乘子的做法，如果論文下不到的話，請留言。

第二種做法倒是用過。大概講下。
針對你的問題，初始化兩維向量，但是由於存在不等式約束，所以考慮先初始化向量的第一維，然後動態算出第二維的范圍，隨機出第二維變數。然後就是計算適應度值，全局、局部最優。
更新過程一樣，先更新第一維變數，然後動態計算第二維的范圍，更新第二維，如果更新後超過了邊界，則取邊界值（或者也可以再次重新更新，直到滿足條件，直覺上感覺第一種還好點，第二種可能會出現無法更新的情況），更新完畢後，計算適應度，更新全局、局部最優解。

補充兩個鏈接吧
http://download.csdn.net/detail/yinjian_2004/1567342
論文：基於改進粒子群優化演算法的約束多目標優化

Ⅲ 粒子群演算法及其應用

既然是數學系的，可以考慮從粒子群演算法的收斂性證明和分布性檢驗方面著手，偏理論性的證明，這方面比較欠缺，有點類似於高樓地基不穩，大家卻在上面繼續壘
可以參考遺傳演算法的模式定理或隱性並行性定理等，如果能夠提出關於粒子群演算法的定理，應該足夠具有挑戰性了
還有就是對粒子群演算法進行演算法融合或改進，然後針對改進的演算法進行測試，檢驗其在函數優化等方面的效能。

Ⅳ 光的粒子性怎麼證明的

這里說的粒子性其實包括兩個方面,一個是經典的粒子性,也就是牛頓的光的微粒學說,一個是量子性,這是愛因斯坦根據光電效應和普朗克的量子說提出的.光電效應是不能用經典的電磁理論來解析的,經典的電磁理論認為光是波,那麼反過來說明,光電效應反應出來的不是光的波的屬性,但也不是牛頓的光微粒說所能解析的,說明這是光的一種新的屬性,也就是量子性,其實也是粒子性的一面.

Ⅳ 量子的不確定性是怎麼證明的

量子的不確定性是通過一些實驗來論證的。比如：

用將光照到一個粒子上的方式來測量一個粒子的位置和速度，一部分光波被此粒子散射開來，由此指明其位置。但人們不可能將粒子的位置確定到比光的兩個波峰之間的距離更小的程度，所以為了精確測定粒子的位置，必須用短波長的光。

但普朗克的量子假設，人們不能用任意小量的光：人們至少要用一個光量子。這量子會擾動粒子，並以一種不能預見的方式改變粒子的速度。

所以，簡單來說，就是如果要想測定一個量子的精確位置的話，那麼就需要用波長盡量短的波，這樣的話，對這個量子的擾動也會越大，對它的速度測量也會越不精確；如果想要精確測量一個量子的速度，那就要用波長較長的波，那就不能精確測定它的位置 。

(5)線性粒子捕捉證明演算法擴展閱讀

在量子力學中常見不確定性有關於坐標和動量之間和時間與能量之間的不確定關系。其實，對於任何兩個不對易的物理量均不能同時確定其確切值。這是與測量無關的，這是微觀世界的本質問題。

不要試圖通過測量之類的方法來解釋不確定性，任何有關測量的手段都會引入新的誤差，可誤差與不確定性是存在本質的區別的。另外，對於宏觀世界中並不能觀察到不確定性之類的現象，這是與可觀察的測量精度有關的，因而僅是在微觀世界比較明顯。

Ⅵ 粒子群演算法可以用來優化線性方程嗎

粒子群優化演算法(Particle Swarm Optimization Algorithm，PSOA)是1995年Kennedy和Eberhart提出的一種基於群智能優化演算法的演化計算技術。粒子群優化演算法的主要特點是原理簡單、參數少、收斂速度較快、易於實現。因此，該演算法一經提出就吸引了廣大專家、學者的關注，並逐漸成為一個新的研究熱點。但是，粒子群優化演算法也存在一些缺陷，例如：演算法後期存在收斂速度變慢、過早收斂、易陷入局部最優解等現象。

Ⅶ 求教一道題： 關於證明自由粒子波函數Ψ（r，t）是定態波函數。

Ψ（r，t)Ψ*（r，t)=A^2是常數,因此粒子出現在任意地方的概率密度與時間無關,因此是定態

Ⅷ 怎麼判斷粒子群優化演算法有沒有局部收斂

轉載請註明：來自網路知道——小七的風
首先說，標準的粒子群演算法是通過控制權重系數ω的線性下降來使得種群收斂的，從收斂圖上看，如果在多次迭代後（比如100次迭代後）如果最優粒子的適應度值不再變化即認為此時演算法已經達到收斂。
理論上，粒子群通過自身的更新機制使得每個粒子在每次的迭代中會向該粒子的歷史最優位置以及全局粒子位置的中間（或周圍）位置靠近，這樣雖然保證了粒子搜索的高效性（假設最優點存在於全局最優點與歷史最優點的中間位置）但勢必帶來了粒子搜索范圍的減少，所以容易出現局部收斂，並且已有相關文獻證明了這不是一個全局最優的演算法。
還有一種簡單的做法是證偽，即不去直接證明粒子群是一個全局最優，而是試圖去找到一個點，這個點的適應度值比粒子群找到的全局最優點的適應度值更好，這樣就間接說明了演算法沒有找到全局最優點（可以採用純隨機，直到找到比粒子群提供的全局最優點好為止）