基于自然选择的粒子群算法寻优答辩数字PID与模糊系统设计答辩张哲乔世斌贺毅辉2018.10.9题目要求·使用基于自然选择的粒子群算法算法求解函数最小值：自变量选择范围为[-10,10]，粒子数为50，学习因子。选择不同惯性权重说明对寻优结果的影响。绪论粒子群优化算法(PSO)是一种基于群体的随机优化技术，与其他基于群体的进化算法相比，他们均初始化为一组随机解，通过迭代搜寻最优解。PSO将每个可能产生的解表述为群中的一个微粒，每个微里都有自己的位置向量和速度向量，以及一个有目标函数决定的适应度。所有微粒在搜索空间中以一定的速度飞行，通过追随当前搜索到的最优值来寻求全局最优值。数字PID与模糊系统设计答辩张哲乔世斌贺毅辉2018.10.9粒子群算法是模拟鸟群觅食行为的一种彷生算法。解=粒子=鸟(鸟的位置象征着离食物的距离，粒子的位置也象征着离最优解的距离，是评价解质量的唯一标准)，找食物=找最优解，一个西瓜=一个粒子找到的历史最优解，一块肉=整个粒子群找到历史最优解数字PID与模糊系统设计答辩张哲乔世斌贺毅辉2018.10.9粒子群算法的核心该算法的核心是如何根据pid与pgd来更新粒子的速度和位置，标准粒子群给出了如下的更新公式：)(2211idgdididididxprcxprcvwvidididvxx注：为个体历史最优解，为全局历史最优解idpgdppart1part2part3Part.1:“惯性”或”动量”部分，反映粒子有维持自己先前速度的趋势Part.2:“认知”部门，反映粒子有向自身历史最优位置逼近的趋势Part.3:“社会”部门，反映粒子有向去群体历史最优位置逼近的趋势数字PID与模糊系统设计答辩张哲乔世斌贺毅辉2018.10.9基本粒子群算法流程（1）初始化粒子群，包括群体规模N，每个粒子的位置xi和速度vi；（2）计算每个粒子的适应度值fitness[i]；（3）对每个粒子，用它的适应度值fitness[i]和个体极值pid比较，如果fitness[i]
