💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
📋📋📋本文目录如下：🎁🎁🎁
目录
💥1 概述
1.1 基本粒子群优化算法
1.2 改进粒子群算法
📚2 运行结果
🎉3 参考文献
🌈4 Matlab代码实现
💥1 概述
文献来源：
1.1 基本粒子群优化算法
基本粒子群算法(BPSO)中，每个优化问题的解都可以看作粒子在搜索空间中的位置，粒子通过飞
行速度决定它们的搜索方向和搜索范围，粒子群通过追随当前群体的最优粒子和自身经历的个体最优位置，调节其飞行速度，在解空间中搜索最优解。粒子群的寻优过程可描述如下：随机初始化粒
子群通过迭代更新群体的速度和位置，在搜索空间中搜寻最优值；每次迭代中，粒子跟踪个体极值和全局极值，利用个体极值和全局极值的信息来调整自身的速度，并以此速度飞行，更新粒子位置。
粒子群第k+1次迭代的更新公式为：
1.2 改进粒子群算法
惯性权重处理。由式(2)可看出，惯性权重w对 PSO 算法的优化性能影响很大。研究表明，
较大的w值有利于跳出局部最优，而较小的w有利于加速收敛。文献[13]提出了单一线性化调整w的策略：随迭代次数的增加而线性减少w，其经验值为[0.9,0.4]。但若采用线性减少w的调整策略，会使得结果不稳定，算法易陷入局部最优。而且，即使能够跳出局部最优，其收敛速度也非常缓慢。原因是单一线性w调整策略采用了统一的权重变化率，使得粒子在整个搜索过程中没有明显差异。因此,本文从收敛速度和搜索范围上对 PSO 进行改进，采用动态改变惯性权重的策略，使得：
a k根据所计算的适应度函数值进行变化，使得传统上随着搜索过程线性减小的w变成随搜索位置的变化而动态改变的w k。w k中充分利用了目标函数的信息，使得搜索方向的精确度得到了启发性加强。
📚2 运行结果
部分代码：
%% PSO Parameters CostFunction=@(x) CostFun(x); % Cost Function w=1; % Inertia Weight wdamp=0.99; % Inertia Weight Damping Ratio c1=1.5; % Personal Learning Coefficient c2=2.0; % Global Learning Coefficient VarSize=[1 nVar]; % Size of Decision Variables Matrix % Velocity Limits VelMax=0.1*(VarMax-VarMin); VelMin=-VelMax; %% Initialization empty_particle.Position=[]; empty_particle.Cost=[]; empty_particle.Velocity=[]; empty_particle.Best.Position=[]; empty_particle.Best.Cost=[]; particle=repmat(empty_particle,nPop,1); GlobalBest.Cost=inf; for i=1:nPop % Initialize Position particle(i).Position=unifrnd(VarMin,VarMax,VarSize); % Initialize Velocity particle(i).Velocity=zeros(VarSize); % Evaluation particle(i).Cost=CostFunction(particle(i).Position); % Update Personal Best particle(i).Best.Position=particle(i).Position; particle(i).Best.Cost=particle(i).Cost;
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]李国庆,陈厚合.改进粒子群优化算法的概率可用输电能力研究[J].中国电机工程学报,2006(24):18-23.
