粒子群算法matlab代码

粒子群算法(1)----粒子群算法简介一、粒子群算法的历史 粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。CAS 理论于 1994 年正式提出，CAS 中的成员称为主体。比如讨论鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行沟通，并且根据沟通的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。 所以 CAS 系统中的主体具有 4 个基本特点（这些特点是粒子群算法进展变化的依据）： 首先，主体是主动的、活动的。 主体与环境及其他主体是相互影响、相互作用的，这种影响是系统进展变化的主要动力。 环境的影响是宏观的，主体之间的影响是微观的，宏观与微观要有机结合。 最后，整个系统可能还要受一些随机因素的影响。 粒子群算法就是对一个 CAS 系统－－－鸟群社会系统的讨论得出的。 粒子群算法（ Particle Swarm Optimization, PSO）最早是由 Eberhart 和 Kennedy 于 1995 年提出，它的基本概念源于对鸟群觅食行为的讨论。设想这样一个场景:一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢?最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 PSO 算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在 PSO 中，每个优化问题的潜在解都可以想象成 d 维搜索空间上的一个点，我们称之为“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值(Fitness Value )，每个粒子还有一个速度决定他们飞行的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。Reynolds 对鸟群飞行的讨论发现。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群好像在一个中心的控制之下.即复杂的全局行为是由简单规则的相互作用引起的。二、粒子群算法的具体表述 上面罗嗦了半天，那些都是科研工作者写论文的语气，不过，PSO 的历史就像上面说的那样。下面通俗的解释PSO 算法。 PSO 算法就是模拟一群鸟寻找食物的过程，每个鸟就是 PSO 中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一...