粒子群演算法模擬

① 基於顏色的粒子濾波目標跟蹤演算法MATLAB模擬與改進

我這里有一個粒子群的完整範例：functionmain()clc;clearall;closeall;tic;%程序運行計時E0=0.001;%允許誤差MaxNum=100;%粒子最大迭代次數narvs=1;%目標函數的自變數個數particlesize=30;%粒子群規模c1=2;%每個粒子的個體學習因子，也稱為加速常數c2=2;%每個粒子的社會學習因子，也稱為加速常數w=0.6;%慣性因子vmax=0.8;%粒子的最大飛翔速度x=-5+10*rand(particlesize,narvs);%粒子所在的位置v=2*rand(particlesize,narvs);%粒子的飛翔速度%用inline定義適應度函數以便將子函數文件與主程序文件放在一起，%目標函數是：y=1+(2.1*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定義適應度函數如下：fitness=inline('1/(1+(2.1*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定義的適應度函數會使程序運行速度大大降低fori=1:particlesizeforj=1:narvsf(i)=fitness(x(i,j));endendpersonalbest_x=x;personalbest_faval=f;[globalbest_favali]=min(personalbest_faval);globalbest_x=personalbest_x(i,:);k=1;whilek<=MaxNumfori=1:particlesizeforj=1:narvsf(i)=fitness(x(i,j));endiff(i)vmax;v(i,j)=vmax;elseifv(i,j)<-vmax;v(i,j)=-vmax;endendx(i,:)=x(i,:)+v(i,:);endifabs(globalbest_faval)<E0,break,endk=k+1;endValue1=1/globalbest_faval-1;Value1=num2str(Value1);%strcat指令可以實現字元的組合輸出disp(strcat('themaximumvalue','=',Value1));%輸出最大值所在的橫坐標位置Value2=globalbest_x;Value2=num2str(Value2);disp(strcat('thecorrespondingcoordinate','=',Value2));x=-5:0.01:5;y=2.1*(1-x+2*x.^2).*exp(-x.^2/2);plot(x,y,'m-','linewidth',3);holdon;plot(globalbest_x,1/globalbest_faval-1,'kp','linewidth',4);legend('目標函數','搜索到的最大值');xlabel('x');ylabel('y');gridon;toc;

② 用粒子群演算法求解旅行商問題的模擬實驗怎麼做呀誰有求解旅行商問題的粒子群演算法的源程序

這個問題你可以搜索PSO+TSP即可，代碼很多。
一般TSP問題都有個已知的最優解，有個數值表示耗費的最短路，你可以將你搜索出來的最優解的最短路徑與之比較。

③ 用粒子群演算法優化PID參數的具體過程是什麼， 最好結合模擬說明一下

這個關鍵是建立評價指標，比如採用超調量、響應時間，或者ITAE等指標最大或者最小，這樣就可以通過粒子群演算法來不斷修正PID參數，從而優化參數了。
一般來講這樣的優化只能離線，不能在線

④ 求助粒子群演算法演算法模擬程序，要求有圖形的

http://ishare.iask.sina.com.cn/f/23791253.html你可以到這個地方去下載我編的一些程序，有什麼意見可以隨時交流

⑤ 粒子群演算法優化相關書籍

侯志榮．基於MATLAB的粒子群優化演算法及其應用〔j〕．《計算機模擬》，2004年05期．
高鷹．具有遺傳特性的粒子群優化演算法的非線性盲分離中的應用〔j〕．《廣州大學學報》，2006年5卷5期．

⑥ 跪求vb編的可視化粒子群演算法模擬分析程序

留下郵箱

⑦ QoS選播路由的粒子群演算法模擬(matlab)

你好，我也是做這個的，麻煩問下，你這個論文最後做成功了嗎，想和你溝通下~~我的郵箱[email protected]，，我有很多朋友都在青海西寧，希望也和你成為朋友

⑧ 有關MATLAB的PSO工具箱（粒子群演算法模擬）

你也是做畢業設計的呀，我也是。咨詢老師好多次了都還是交不了。傷心

⑨ 粒子群演算法的引言

優化問題是工業設計中經常遇到的問題,許多問題最後都可以歸結為優化問題. 為了解決各種各樣的優化問題,人們提出了許多優化演算法,比較著名的有爬山法、遺傳演算法、神經網路演算法等. 一是要求尋找全局最優點,
二是要求有較高的收斂速度. 近年來，一些學者將PSO演算法推廣到約束優化問題，其關鍵在於如何處理好約束，即解的可行性。如果約束處理的不好，其優化的結果往往會出現不能夠收斂和結果是空集的狀況。基於PSO演算法的約束優化工作主要分為兩類：
（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。
根據文獻介紹，Parsopoulos等採用罰函數法，利用非固定多段映射函數對約束優化問題進行轉化，再利用PSO演算法求解轉化後問題，模擬結果顯示PSO演算法相對遺傳演算法更具有優越性，但其罰函數的設計過於復雜，不利於求解；Hu等採用可行解保留政策處理約束，即一方面更新存儲中所有粒子時僅保留可行解，另一方面在初始化階段所有粒子均從可行解空間取值，然而初始可行解空間對於許多問題是很難確定的；Ray等提出了具有多層信息共享策略的粒子群原理來處理約束，根據約束矩陣採用多層Pareto排序機制來產生優良粒子，進而用一些優良的粒子來決定其餘個體的搜索方向。
但是，目前有關運用PSO演算法方便實用地處理多約束目標優化問題的理論成果還不多。處理多約束優化問題的方法有很多，但用PSO演算法處理此類問題目前技術並不成熟，這里就不介紹了。 粒子群優化演算法(PSO)是一種進化計算技術(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源於對鳥群捕食的行為研究 。該演算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智能建立的一個簡化模型。粒子群演算法在對動物集群活動行為觀察基礎上，利用群體中的個體對信息的共享使整個群體的運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解。
PSO同遺傳演算法類似，是一種基於迭代的優化演算法。系統初始化為一組隨機解，通過迭代搜尋最優值。但是它沒有遺傳演算法用的交叉(crossover)以及變異(mutation)，而是粒子在解空間追隨最優的粒子進行搜索。同遺傳演算法比較，PSO的優勢在於簡單容易實現並且沒有許多參數需要調整。目前已廣泛應用於函數優化，神經網路訓練，模糊系統控制以及其他遺傳演算法的應用領域。