④对每个微粒，将其适应值与其经历过的最好位置作比较如果较好，则将其作为当前的最好位置；
⑤比较当前所有的pbest和gbest的值，更新gbest；
⑥若满足停止条件，搜索停止，输出结果，否则返回③继续搜索
在MATLAB命令窗口中输入：
取值
N：粒子数目； 40
w：惯性权重； 0.78
C1：学习因子1； 1
C2：学习因子2； 1
M：最大迭代次数； 10000
D：问题的文数； 2
程序间附录8
[xm,fv] = SecVibratPSO(@fitness,40,0.78,l,l,10000,2)
所得结果为：
xm =3.141573018942164
2.275238232592553
fv =0.397887409274089
2.8混沌粒子群算法
2.8.1算法原理
混沌粒子群算法是混沌优化和粒子群优化两者的结合。对于给定的优化函数，通过将 搜索过程对应为混沌轨道的遍历过程，可使搜索过程具有避免陷入局部极小的能力。 混沌粒子群算法中涉及到混沌局部搜索算法（CLS )。
2.8.2算法步骤
混沌粒子群算法的步骤如下：
①随机初始化种群中各微粒的位置和速度；
②评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各微粒的pbest中， 将所有pbest中适应值最优个体的位置和适应值存储于gbest中；
③更新每个微粒的速度和位置；
④计算每个微粒的目标函数值，然后保留群体中性能最好的20%的微粒；
⑤对群体中的最佳微粒执行混沌局部搜索，并更新其pbest�^及群体的§^gbest
⑥若满足停止条件（通常为预设的运算精度或迭代次数），搜索停止，输出结果，否 则转（⑦)；
⑦按下面的式子收缩搜索区域
（2-39） （2-40）
⑧在收缩后的空间内随机产生群体中剩余的80%的微粒，转（②)。 在上面的混沌搜索的算法过程中，为了保持种群的多样性，加强捜索的分散性，在保留一定数量优秀微粒的同时，算法根据群体的最佳位置动态收缩收缩区域，并在收缩区域内随机产生微粒来替代性能较差的微粒。
取值
N：粒子数目； 50
W：惯性权重； 0.8
C1：学习因子1； 2
C2：学习因子2； 2
Xmax：自变量搜索域的最大值； 10*ones(l,5）
Xmin：自变量搜索域的最小值； -10*ones（l,5）
M：最大迭代次数； 9000
MaxC：混沌搜索的最大步数； 10
D：问题的文数； 5
程序见附录9
输入[xm,fv]=CLSPSO<@fitness,50,0.8,2,2,10*ones(l,5）,-10*ones<l,5>,9000,10,5)
所得结果为：
xm =0.988790922048952
0.890368445131631
0.954752881247076
1.084790216940677
0.942916523157546
fv = 0.436792847767522
<< 上一页 [11] [12] 下一页
matlab微粒群算法研究与仿真 第11页下载如图片无法显示或论文不完整，请联系qq752018766
