线性粒子捕捉证明算法

Ⅰ 粒子群算法的matlab程序，一个线性规划问题的解决。主要是那个限制条件的处理。

[r,c] = find(R == max(R(:))); 检索R中最大元素所在的位置（行标r和列标c）
thetap = theta(c(1)); theta（）是自定义函数

Ⅱ 用粒子群算法求解线性约束整数规划的Matlab程序

对粒子群的约束问题涉及的比较少。这儿摘抄下网络的内容：

PSO算法推广到约束优化问题，分为两类：（http://ke..com/view/1531379.htm）
（1）罚函数法。罚函数的目的是将约束优化问题转化成无约束优化问题。
（2）将粒子群的搜索范围都限制在条件约束簇内，即在可行解范围内寻优。

第一种方法有相关论文，看了下，感觉比较适合等式约束情况，比较类似于在适应度函数中加入拉格朗日乘子的做法，如果论文下不到的话，请留言。

第二种做法倒是用过。大概讲下。
针对你的问题，初始化两维向量，但是由于存在不等式约束，所以考虑先初始化向量的第一维，然后动态算出第二维的范围，随机出第二维变量。然后就是计算适应度值，全局、局部最优。
更新过程一样，先更新第一维变量，然后动态计算第二维的范围，更新第二维，如果更新后超过了边界，则取边界值（或者也可以再次重新更新，直到满足条件，直觉上感觉第一种还好点，第二种可能会出现无法更新的情况），更新完毕后，计算适应度，更新全局、局部最优解。

补充两个链接吧
http://download.csdn.net/detail/yinjian_2004/1567342
论文：基于改进粒子群优化算法的约束多目标优化

Ⅲ 粒子群算法及其应用

既然是数学系的，可以考虑从粒子群算法的收敛性证明和分布性检验方面着手，偏理论性的证明，这方面比较欠缺，有点类似于高楼地基不稳，大家却在上面继续垒
可以参考遗传算法的模式定理或隐性并行性定理等，如果能够提出关于粒子群算法的定理，应该足够具有挑战性了
还有就是对粒子群算法进行算法融合或改进，然后针对改进的算法进行测试，检验其在函数优化等方面的效能。

Ⅳ 光的粒子性怎么证明的

这里说的粒子性其实包括两个方面,一个是经典的粒子性,也就是牛顿的光的微粒学说,一个是量子性,这是爱因斯坦根据光电效应和普朗克的量子说提出的.光电效应是不能用经典的电磁理论来解析的,经典的电磁理论认为光是波,那么反过来说明,光电效应反应出来的不是光的波的属性,但也不是牛顿的光微粒说所能解析的,说明这是光的一种新的属性,也就是量子性,其实也是粒子性的一面.

Ⅳ 量子的不确定性是怎么证明的

量子的不确定性是通过一些实验来论证的。比如：

用将光照到一个粒子上的方式来测量一个粒子的位置和速度，一部分光波被此粒子散射开来，由此指明其位置。但人们不可能将粒子的位置确定到比光的两个波峰之间的距离更小的程度，所以为了精确测定粒子的位置，必须用短波长的光。

但普朗克的量子假设，人们不能用任意小量的光：人们至少要用一个光量子。这量子会扰动粒子，并以一种不能预见的方式改变粒子的速度。

所以，简单来说，就是如果要想测定一个量子的精确位置的话，那么就需要用波长尽量短的波，这样的话，对这个量子的扰动也会越大，对它的速度测量也会越不精确；如果想要精确测量一个量子的速度，那就要用波长较长的波，那就不能精确测定它的位置 。

(5)线性粒子捕捉证明算法扩展阅读

在量子力学中常见不确定性有关于坐标和动量之间和时间与能量之间的不确定关系。其实，对于任何两个不对易的物理量均不能同时确定其确切值。这是与测量无关的，这是微观世界的本质问题。

不要试图通过测量之类的方法来解释不确定性，任何有关测量的手段都会引入新的误差，可误差与不确定性是存在本质的区别的。另外，对于宏观世界中并不能观察到不确定性之类的现象，这是与可观察的测量精度有关的，因而仅是在微观世界比较明显。

Ⅵ 粒子群算法可以用来优化线性方程吗

粒子群优化算法(Particle Swarm Optimization Algorithm，PSOA)是1995年Kennedy和Eberhart提出的一种基于群智能优化算法的演化计算技术。粒子群优化算法的主要特点是原理简单、参数少、收敛速度较快、易于实现。因此，该算法一经提出就吸引了广大专家、学者的关注，并逐渐成为一个新的研究热点。但是，粒子群优化算法也存在一些缺陷，例如：算法后期存在收敛速度变慢、过早收敛、易陷入局部最优解等现象。

Ⅶ 求教一道题： 关于证明自由粒子波函数Ψ（r，t）是定态波函数。

Ψ（r，t)Ψ*（r，t)=A^2是常数,因此粒子出现在任意地方的概率密度与时间无关,因此是定态

Ⅷ 怎么判断粒子群优化算法有没有局部收敛

转载请注明：来自网络知道——小七的风
首先说，标准的粒子群算法是通过控制权重系数ω的线性下降来使得种群收敛的，从收敛图上看，如果在多次迭代后（比如100次迭代后）如果最优粒子的适应度值不再变化即认为此时算法已经达到收敛。
理论上，粒子群通过自身的更新机制使得每个粒子在每次的迭代中会向该粒子的历史最优位置以及全局粒子位置的中间（或周围）位置靠近，这样虽然保证了粒子搜索的高效性（假设最优点存在于全局最优点与历史最优点的中间位置）但势必带来了粒子搜索范围的减少，所以容易出现局部收敛，并且已有相关文献证明了这不是一个全局最优的算法。
还有一种简单的做法是证伪，即不去直接证明粒子群是一个全局最优，而是试图去找到一个点，这个点的适应度值比粒子群找到的全局最优点的适应度值更好，这样就间接说明了算法没有找到全局最优点（可以采用纯随机，直到找到比粒子群提供的全局最优点好为止）