2.4权重改进的粒子群算法
在微粒群算法的可调整参数中，惯性权重w是重要的的参数，较大的w有利于提高算法的全局搜索能力，而较小的w会增强算法的局部搜索能力，更具不同的权重变化公式，可得到不同的PSO算法，常见的有线性递减权重，自适应权重，随机权重算法，下面分别进行讲述。
2.4.1线性递减权重法
线性递减权重法PSO算法原理：
由于较大的惯性因子有利于跳出局部极小点，便于全局搜索，而较小的惯性因子则有利于对当前的搜索区域进行精确局部搜索，以利于算法收敛，因此针对PSO算法容易早熟，以计算法后期易在全局最优解附近产生震荡现象，可以采用线性变化的权重，让惯性权重从最大值wmax线性减小到最小值wmin，w随算法迭代次数的变化公式为：
（2-12）
其中wmax，wmin分别表示w的最大值和最小值，t表示当前迭代步数，tmax表示最大迭代步数，通常取wmax=0.9，wmin=0.4.
算法步骤：
线性递减粒子群算法的基本步骤如下：
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用下式更新粒子的速度和位移
④更新权重
⑤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，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
取值
N：粒子数目； 40
C1：学习因子1； 2
C2：学习因子2； 2
wmax：最大权重； 0.9
wmin：最小权重； 0.4
M：最大迭代次数； 10000
D：问题的文数； 2
程序见附录3 [xm,fv] = LinWPSO(@fitness,40,2,2,0.9,0.4,10000,2)
得出xm =
取值
N：粒子数目； 40
C1：学习因子1； 2
C2：学习因子2； 2
wmax：最大权重； 0.9
wmin：最小权重； 0.4
M：最大迭代次数； 10000
D：问题的文数； 30
程序间附录3
输入[xm,fv] = LinWPSO(@fitness,40,2,2,0.9,0.4,10000,30)
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] ... 下一页 >>
matlab微粒群算法研究与仿真 第6页下载如图片无法显示或论文不完整，请联系qq752018766
