粒子群算法仿真

① 基于颜色的粒子滤波目标跟踪算法MATLAB仿真与改进

我这里有一个粒子群的完整范例：functionmain()clc;clearall;closeall;tic;%程序运行计时E0=0.001;%允许误差MaxNum=100;%粒子最大迭代次数narvs=1;%目标函数的自变量个数particlesize=30;%粒子群规模c1=2;%每个粒子的个体学习因子，也称为加速常数c2=2;%每个粒子的社会学习因子，也称为加速常数w=0.6;%惯性因子vmax=0.8;%粒子的最大飞翔速度x=-5+10*rand(particlesize,narvs);%粒子所在的位置v=2*rand(particlesize,narvs);%粒子的飞翔速度%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，%目标函数是：y=1+(2.1*(1-x+2*x.^2).*exp(-x.^2/2))%inline命令定义适应度函数如下：fitness=inline('1/(1+(2.1*(1-x+2*x.^2).*exp(-x.^2/2)))','x');%inline定义的适应度函数会使程序运行速度大大降低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指令可以实现字符的组合输出disp(strcat('themaximumvalue','=',Value1));%输出最大值所在的横坐标位置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('目标函数','搜索到的最大值');xlabel('x');ylabel('y');gridon;toc;

② 用粒子群算法求解旅行商问题的仿真实验怎么做呀谁有求解旅行商问题的粒子群算法的源程序

这个问题你可以搜索PSO+TSP即可，代码很多。
一般TSP问题都有个已知的最优解，有个数值表示耗费的最短路，你可以将你搜索出来的最优解的最短路径与之比较。

③ 用粒子群算法优化PID参数的具体过程是什么， 最好结合仿真说明一下

这个关键是建立评价指标，比如采用超调量、响应时间，或者ITAE等指标最大或者最小，这样就可以通过粒子群算法来不断修正PID参数，从而优化参数了。
一般来讲这样的优化只能离线，不能在线

④ 求助粒子群算法算法仿真程序，要求有图形的

http://ishare.iask.sina.com.cn/f/23791253.html你可以到这个地方去下载我编的一些程序，有什么意见可以随时交流

⑤ 粒子群算法优化相关书籍

侯志荣．基于MATLAB的粒子群优化算法及其应用〔j〕．《计算机仿真》，2004年05期．
高鹰．具有遗传特性的粒子群优化算法的非线性盲分离中的应用〔j〕．《广州大学学报》，2006年5卷5期．

⑥ 跪求vb编的可视化粒子群算法仿真分析程序

留下邮箱

⑦ QoS选播路由的粒子群算法仿真(matlab)

你好，我也是做这个的，麻烦问下，你这个论文最后做成功了吗，想和你沟通下~~我的邮箱[email protected]，，我有很多朋友都在青海西宁，希望也和你成为朋友

⑧ 有关MATLAB的PSO工具箱（粒子群算法仿真）

你也是做毕业设计的呀，我也是。咨询老师好多次了都还是交不了。伤心

⑨ 粒子群算法的引言

优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题. 为了解决各种各样的优化问题,人们提出了许多优化算法,比较着名的有爬山法、遗传算法、神经网络算法等. 一是要求寻找全局最优点,
二是要求有较高的收敛速度. 近年来，一些学者将PSO算法推广到约束优化问题，其关键在于如何处理好约束，即解的可行性。如果约束处理的不好，其优化的结果往往会出现不能够收敛和结果是空集的状况。基于PSO算法的约束优化工作主要分为两类：
（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。
根据文献介绍，Parsopoulos等采用罚函数法，利用非固定多段映射函数对约束优化问题进行转化，再利用PSO算法求解转化后问题，仿真结果显示PSO算法相对遗传算法更具有优越性，但其罚函数的设计过于复杂，不利于求解；Hu等采用可行解保留政策处理约束，即一方面更新存储中所有粒子时仅保留可行解，另一方面在初始化阶段所有粒子均从可行解空间取值，然而初始可行解空间对于许多问题是很难确定的；Ray等提出了具有多层信息共享策略的粒子群原理来处理约束，根据约束矩阵采用多层Pareto排序机制来产生优良粒子，进而用一些优良的粒子来决定其余个体的搜索方向。
但是，目前有关运用PSO算法方便实用地处理多约束目标优化问题的理论成果还不多。处理多约束优化问题的方法有很多，但用PSO算法处理此类问题目前技术并不成熟，这里就不介绍了。 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。
PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域。