1.2 国内外研究现状

1.3 水平和发展趋势

第二章 基于自然选择的算法

2.1 算法原理

    科学家将基本粒子群算法和遗传算法中的自然选择原理结合起来，并且引入了学习因子，通过异步变化提高算法精确度以及收敛性的粒子群优化理论。基于自然选择的粒子群算法基本思想是在每次迭代中，粒子群中的每个粒子的适应值排序，取而代之的是更好的速度和位置的粒子的位置和速度的一半，并在原始的记录上记录下每个粒子的最佳值。

2.2 算法步骤源[自-751^`论/文'网·www.751com.cn

  基于自然选择的算法的步骤：

 ①初始化粒子群中各个微粒的位置和速度；

 ②评价出各个微粒的适应度，将当前各个微粒的位置和适应值储存在各个微粒的pbest中，将所有pbest中适应值最优的个体的位置和适应值储存于gbest中；

 ③不断更新每个粒子的位置和速度；

 ④对各个微粒将其适应值和其经历过的最佳位置比较，最优值替换较差值；

 ⑤比较所有当前pbest与gbest的值，并且更新gbest；

 ⑥粒子群中的每个粒子的适应值排序，取而代之的是更好的速度和位置的粒子的位置和速度的一半，并在原始的记录上记录下每个粒子的最佳值；

 ⑦若满足停止条件（通常到达预设的计算精度或者是迭代次数），停止搜索，输出其结果，否则继续③搜索。

2.3 算法的MATLAB实现

  在MATLAB中编写程序实现基于自然选择的算法的粒子群优化函数为：SelPSO。

  功能：通过基于自然选择的粒子群优化算法求解无约束化问题。

  调用格式：[xm,fv]=SelPSO(@fitness,N,c1,c2,w,M,D)

  其中，fitness为待优化函数；

        N：粒子数目；

        c1：学习因子1；

        c2：学习因子2；

        w：惯性权重；

        M：最大迭代次数；

        D：自变量的个数；

        xm：目标函数取最小值时的自变量值；

        fv：目标函数的最小值；

基于自然选择粒子群优化算法的MATLAB代码见[附录1]。