2.9混合粒子群算法
混合粒子群算法指的是借鉴其他一些智能优化算法的思想而形成的粒子群算法。除了 粒子群算法外，还有遗传算法、模拟退火算法以及神经网络等智能算法，这些算法是目前 应用比较广泛的智能算法，每种智能算法都有其特点，因此自然而然就有了结合各种智能 算法的优点而形成的混合智能算法。
下面介绍了三种混合粒子群算法，前两种是基于遗传算法中的选择和交叉机制而改进 的粒子群算法，第三种是基于模拟退火算法的粒子群算法。
2.9.1基于自然选择的算法
算法原理
将自然选择机理与粒子群算法相结合得到基于选择的粒子群算法，其基本思想为每次迭代过程中将整个粒子群按适应值排序，用群体中最好的一半的粒子的速度和位置替换最 差的一半的位置和速度，同时保留原来每个个体所记忆的历史最优值。
算法步骤：
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；本文来自辣%文,论'文.网，
毕业论文 www.751com.cn 加7位QQ324~9114找原文
③更新每个微粒的速度和位置；
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pbest和gbest，跟新gbest
⑥ 将整个粒子群按适应值排序，用群体中最好的一半粒子的速度和位置替换最差的一半的位置和速度，保持pbest和gbest不变
⑦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（③);
取值
N：粒子数目； 40
C1：学习因子1； 2
C2：学习因子2； 2
w：惯性权重； 0.7
M：最大迭代次数； 10000
D：问题的文数； 5
程序见附录10
[xm,fv] = SelPSO(@fitness,40,2,2, 0.7,10000,5)
所得结果为：
xm =1.000000002887965
1.000000015415516
0.999999989618383
0.999999971202114
0.999999991328659
fv = 0.436046511627907
从结果可以看出，基于自然选择的粒子群算法求得的结果精度非常高。
2.9.2基于杂交的算法
<< 上一页 [11] [12]
matlab微粒群算法研究与仿真 第12页下载如图片无法显示或论文不完整，请联系qq752018766
