效果图：
💥1 概述
部分代码：
摘要：针对传统的粒子群算法易发生早熟收敛、在寻优过程中易陷入局部最优等问题,提出了一种基于惯性权重和学习因子动态调整的粒子群算法,该算法通过改进惯性权重和学习因子参数以优化算法。随着算法的不断迭代,其惯性权重以及学习因子随着迭代次数的增加而动态优化,从而平衡其局部寻优能力与全局搜索能力。实验结果表明,改进后的算法在收敛速度以及收敛精度上比传统粒子群算法更优,能改善早熟收敛问题。
关键词：
粒子群算法;动态调整;迭代;优化;惯性权重;学习因子;
📚2 运行结果
部分代码：
for i=1:nPop%种群位置、速度、适应度初始化 pop(i).Position = unifrnd(VarMin, VarMax, VarSize); pop(i).Velocity = unifrnd(Vmin, Vmax, VarSize); pop(i).Cost = fun(pop(i).Position,index); if pop(i).Cost < pBestSol.Cost pBestSol = pop(i);%个体适应度最佳 end end gBestSol = pBestSol; for it=1:MaxIt for i=1:nPop w = 1+(1-0.7).*(it.^2)/(MaxIt^2); c1 = (1-0.7).*it/MaxIt+0.7; c2 = (1-0.7).*it/MaxIt+0.7; %速度更新 pop(i).Velocity = w.*pop(i).Velocity+c1.*rand(VarSize).*(pBestSol.Position-pop(i).Position)+c2.*rand(VarSize).*(gBestSol.Position-pop(i).Position); %速度边界处理 pop(i).Velocity = max(pop(i).Velocity, Vmin); pop(i).Velocity = min(pop(i).Velocity, Vmax); %位置更新 pop(i).Position = pop(i).Position+pop(i).Velocity; %位置边界处理 pop(i).Position = max(pop(i).Position, VarMin); pop(i).Position = min(pop(i).Position, VarMax); %适应度值更新 pop(i).Cost = fun(pop(i).Position,index); %更新局部最优 if pop(i).Cost < pBestSol.Cost pBestSol = pop(i); %更新全局最优 if pBestSol.Cost < gBestSol.Cost gBestSol = pBestSol; end end BestCosts(it) = gBestSol.Cost; disp(['Iteration ' num2str(it) ': Best Cost = ' num2str(BestCosts(it))]); end end IPSO_polbelbest = pBestSol;
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]吴永红,曾志高,邓彬.基于惯性权重和学习因子动态调整的粒子群算法[J].湖南工业大学学报,2021,35(01):91-96.
