1樓：
%不知道你具體的問題是什麼，下面是一個最基本的pso演算法解決函式極值問題，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;
%下面是主程式
%% 清空環境
clcclear
%% 引數初始化
%粒子群演算法中的兩個引數
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,:); %全域性最佳
gbest=pop; %個體最佳
fitnessgbest=fitness; %個體最佳適應度值
fitnesszbest=bestfitness; %全域性最佳適應度值
%% 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,:)popmax))=popmax;
pop(j,find(pop(j,:)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);
endend
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');
2樓：匿名使用者
問題補充：所需的svmmatlab程式有c版本的和matlab由於此演算法精度高，採取措施對誤差進行抑制，所以其實現原理也較複雜。該演算法
量子粒子群優化演算法到底是李士勇還是孫俊提出的
量子 是全球著名的大規模對沖 美國金融家喬治 索羅斯旗下經營的五個對沖 之一。量子 是高風險 主要借款在世界範圍內投資於 債券 外匯和商品。量子美元 在美國 交易委員會登記註冊，它主要採取私募方式籌集資金。據說，索羅斯為之取名 量子 是源於索羅斯所讚賞的一位德國物理學家 量子力學的創始人海森堡提出 ...
如何用遺傳演算法實現多變數的最優化問題
將多個變數的數值編碼編排進去，進行組合，只需要增長基因個體的長度，但是要明確每個變數具體的位置，然後讓每個變數轉化成二進位制的等長編碼，組合在一起，就可以來運算了。具體操作步驟如下 1 首先要利用一個矩陣去跟蹤每組迭代的結果的大小 2 然後，要構造一個譯碼矩陣fieldd，由bs2rv函式將種群ch...