首页 / 算法 / 【优化求解】粒子群算法的多目标优化【Matlab 479期】

【优化求解】粒子群算法的多目标优化【Matlab 479期】

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【优化求解】粒子群算法的多目标优化【Matlab 479期】，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含13867字，纯文字阅读大概需要20分钟。

内容图文

一、简介

粒子群优化(PSO)是一种基于群体智能的数值优化算法，由社会心理学家James Kennedy和电气工程师Russell Eberhart于1995年提出。自PSO诞生以来，它在许多方面都得到了改进，这一部分将介绍基本的粒子群优化算法原理和过程。
1.1 粒子群优化
粒子群优化(PSO)是一种群智能算法，其灵感来自于鸟类的群集或鱼群学习，用于解决许多科学和工程领域中出现的非线性、非凸性或组合优化问题。
【优化求解】粒子群算法的多目标优化【Matlab 479期】 - 文章图片
1.1.1 算法思想
许多鸟类都是群居性的，并由各种原因形成不同的鸟群。鸟群可能大小不同，出现在不同的季节，甚至可能由群体中可以很好合作的不同物种组成。更多的眼睛和耳朵意味着有更多的及时发现食物和捕食者的机会。鸟群在许多方面对其成员的生存总是有益的：
觅食：社会生物学家E.O.Wilson说，至少在理论上，群体中的个体成员可以从其他成员在寻找食物过程中的发现和先前的经验中获益[1]。如果一群鸟的食物来源是相同的，那么某些种类的鸟就会以一种非竞争的方式聚集在一起。这样，更多的鸟类就能利用其他鸟类对食物位置的发现。
抵御捕食者：鸟群在保护自己免受捕食者侵害方面有很多优势。
更多的耳朵和眼睛意味着更多的机会发现捕食者或任何其他潜在的危险；
一群鸟可能会通过围攻或敏捷的飞行来迷惑或压制捕食者；
在群体中，互相间的警告可以减少任何一只鸟的危险。
空气动力学：当鸟类成群飞行时，它们经常把自己排成特定的形状或队形。鸟群中鸟的数量不同，每只鸟煽动翅膀时产生不同的气流，这都会导致变化的风型，这些队形会充分利用不同的分型，从而使得飞行中的鸟类能够以最节能的方式利用周围的空气。
粒子群算法的发展需要模拟鸟群的一些优点，然而，为了了解群体智能和粒子群优化的一个重要性质，值得提一下是鸟群的一些缺点。当鸟类成群结队时，也会给它们带来一些风险。更多的耳朵和眼睛意味着更多的翅膀和嘴，这导致更多的噪音和运动。在这种情况下，更多的捕食者可以定位鸟群，对鸟类造成持续的威胁。一个更大的群体也会需要更多的食物，这导致更多食物竞争，从而可能淘汰群体中一些较弱的鸟类。这里需要指出的是，PSO并没有模拟鸟类群体行为的缺点，因此，在搜索过程中不允许杀死任何个体，而在遗传算法中，一些较弱的个体会消亡。在PSO中，所有的个体都将存活，并在整个搜索过程中努力让自己变得更强大。在粒子群算法中，潜在解的改进是合作的结果，而在进化算法中则是因为竞争。这个概念使得群体智能不同于进化算法。简而言之，在进化算法中，每一次迭代都有一个新的种群进化，而在群智能算法中，每一代都有个体使自己变得更好。个体的身份不会随着迭代而改变。Mataric[2]给出了以下鸟群规则：

安全漫游：鸟类飞行时，不存在相互间或与障碍物间的碰撞；
分散：每只鸟都会与其他鸟保持一个最小的距离；
聚合：每只鸟也会与其他鸟保持一个最大的距离；
归巢：所有的鸟类都有可能找到食物来源或巢穴。
在设计粒子群算法时，并没有采用这四种规则来模拟鸟类的群体行为。在Kennedy和Eberhart开发的基本粒子群优化模型中，对agent的运动不遵循安全漫游和分散规则。换句话说，在基本粒子群优化算法的运动过程中，允许粒子群优化算法中的代理尽可能地靠近彼此。而聚合和归巢在粒子群优化模型中是有效的。在粒子群算法中，代理必须在特定的区域内飞行，以便与任何其他代理保持最大距离。这就相当于在整个过程中，搜索始终停留在搜索空间的边界内或边界处。第四个规则，归巢意味着组中的任何代理都可以达到全局最优。

在PSO模型的发展过程中，Kennedy和Eberhart提出了五个判断一组代理是否是群体的基本原则：

就近原则：代理群体应该能够进行简单的空间和时间计算；
质量原则：代理群体能够对环境中的质量因素作出反应；
多响应原则：代理群体不应在过于狭窄的通道从事活动；
稳定性原则：代理群体不能每次环境变化时就改变其行为模式；
适应性原则：计算代价不大时，代理群体可以改变其行为模式。

1.1.2 粒子群优化过程
考虑到这五个原则，Kennedy和Eberhart开发了一个用于函数优化的PSO模型。在粒子群算法中，采用随机搜索的方法，利用群体智能进行求解。换句话说，粒子群算法是一种群智能搜索算法。这个搜索是由一组随机生成的可能解来完成的。这种可能解的集合称为群，每个可能解都称为粒子。
在粒子群优化算法中，粒子的搜索受到两种学习方式的影响。每一个粒子都在向其他粒子学习，同时也在运动过程中学习自己的经验。向他人学习可以称为社会学习，而从自身经验中学习可以称为认知学习。由于社会学习的结果，粒子在它的记忆中存储了群中所有粒子访问的最佳解，我们称之为gbest。通过认知学习，粒子在它的记忆中储存了迄今为止它自己访问过的最佳解，称为pbest。

任何粒子的方向和大小的变化都是由一个叫做速度的因素决定的，速度是位置相对于时间的变化率。对于PSO，迭代的是时间。这样，对于粒子群算法，速度可以定义为位置相对于迭代的变化率。由于迭代计数器单位增加，速度v的维数与位置x相同。

对于D维搜索空间，在时间步t下群体中的第ith个粒子由D维向量x i t = ( x i 1 t , ? ? , x i D t ) T x_i^t = {(x_{i1}^t, \cdots ,x_{iD}^t)T}xit?=(xi1t?,?,xiDt?)T来表示，其速度由另一个D维向量v i t = ( v i 1 t , ? ? , v i D t ) T v_i^t = {(v_{i1}^t, \cdots ,v_{iD}^t)T}vit?=(vi1t?,?,viDt?)T表示。第ith个粒子访问过的最优解位置用p i t = ( p i 1 t , ? ? , p i D t ) T p_i^t = {\left( {p_{i1}^t, \cdots ,p_{iD}^t} \right)^T}pit?=(pi1t?,?,piDt?)T表示，群体中最优粒子的索引为“g”。第ith个粒子的速度和位置分别由下式进行更新：
v i d t + 1 = v i d t + c 1 r 1 ( p i d t ? x i d t ) + c 2 r 2 ( p g d t ? x i d t ) (1) v_{id}^{t + 1} = v_{id}^t + {c_1}{r_1}\left( {p_{id}^t - x_{id}^t} \right) + {c_2}{r_2}\left( {p_{gd}^t - x_{id}^t} \right)\tag 1vidt+1?=vidt?+c1?r1?(pidt??xidt?)+c2?r2?(pgdt??xidt?)(1)

x i d t + 1 = x i d t + v i d t + 1 (2) x_{id}^{t + 1} = x_{id}^t + v_{id}^{t + 1}\tag 2xidt+1?=xidt?+vidt+1?(2)

其中d=1,2,…,D为维度，i=1,2,…,S为粒子索引，S是群体大小。c1和c2为常数，分别称为认知和社交缩放参数，或简单地称为加速系数。r1和r2是满足均匀分布[0,1]之间的随机数。上面两个式子均是对每个粒子的每个维度进行单独更新，问题空间中不同维度之间唯一的联系是通过目标函数引入的，也就是当前所找到的最好位置gbest和pbest[3]。PSO的算法流程如下：
1.1.3 解读更新等式
速度更新等式（1）的右侧包括三部分3：
前一时间的速度v，可以认为是一动量项，用于存储之前的运动方向，其目的是防止粒子剧烈地改变方向。
第二项是认知或自我部分，通过这一项，粒子的当前位置会向其自己的最好位置移动，这样在整个搜索过程中，粒子会记住自己的最佳位置，从而避免自己四处游荡。这里需要注意的是，pidt-xidt是一个方向从xidt到pidt的向量，从而将当前位置向粒子的最佳位置吸引，两者的顺序不能改变，否则当前位置会远离最佳位置。
第三项是社交部分，负责通过群体共享信息。通过该项，粒子向群体中最优的个体移动，即每个个体向群体中的其他个体学习。同样两者应该是pgbt-xidt。
可以看出，认知尺度参数c1调节的是粒子在其最佳位置方向上的最大步长，而社交尺度参数c2调节的是全局最优粒子方向上的最大步长。图2给出了粒子在二维空间中运动的典型几何图形。
【优化求解】粒子群算法的多目标优化【Matlab 479期】 - 文章图片
图2 粒子群优化过程中粒子移动的几何说明

从更新方程可以看出，Kennedy和Eberhart的PSO设计遵循了PSO的五个基本原则。在粒子群优化过程中，在d维空间中对一系列时间步进行计算。在任何时间步，种群都遵循gbest和pbest的指导方向，即种群对质量因素作出反应，从而遵循质量原则。由于速度更新方程中有均布随机数r1和r2，在pbest和gbest之间的当前位置随机分配，这证明了响应原理的多样性。在粒子群优化过程中，只有当粒子群从gbest中接收到较好的信息时，才会发生随机运动，从而证明了粒子群优化过程的稳定性原则。种群在gbest变化时发生变化，因此遵循适应性原则。
1.2 粒子群优化中的参数
任何基于种群的算法的收敛速度和寻优能力都受其参数选择的影响。通常，由于这些算法的参数高度依赖于问题参数，因此不可能对这些算法的参数设置给出一般性的建议。但是，已有的理论和/或实验研究，给出了参数值的一般范围。与其他基于种群的搜索算法类似，由于在搜索过程中存在随机因素r1和r2，因此通用PSO的参数调整一直是一项具有挑战性的任务。PSO的基础版本只需要很少的参数。本章只讨论了[4]中介绍的PSO基础版本的参数。

一个基本的参数是群体规模，它通常是根据问题中决策变量的数量和问题的复杂性经验地设置的。一般建议20-50个粒子。

另一个参数是缩放因子c1和c2。如前所述，这些参数决定了下一个迭代中粒子的步长。也就是说，c1和c2决定了粒子的速度。在PSO的基础版本中，选择c1=c2=2。在这种情况下，粒子s速度的增加是不受控制的，这有利于更快的收敛速度，但不利于更好地利用搜索空间。如果我们令c1=c2>0，那么粒子会吸引到pbest和gbest的平均值。c1>c2设置有利于多模态问题，而c2>c1有利于单模态问题。在搜索过程中，c1和c2的值越小，粒子轨迹越平滑，而c1和c2的值越大，粒子运动越剧烈，加速度越大。研究人员也提出了自适应加速系数[5]。
停止准则不仅是粒子群算法的参数，也是任何基于种群的元启发式算法的参数。常用的停止准则通常基于函数评估或迭代的最大次数，该次数与算法所花费的时间成正比。一个更有效的停止准则是基于算法的搜索能力，如果一个算法在一定的迭代次数内没有显著地改进解，那么应该停止搜索。

二、源代码

%% 该函数演示多目标perota优化问题
%清空环境
clc
clear

load data


%% 初始参数
objnum=size(P,1); %类中物品个数
weight=92;        %总重量限制

%初始化程序
Dim=5;     %粒子维数
xSize=50;  %种群个数
MaxIt=200; %迭代次数
c1=0.8;    %算法参数
c2=0.8;    %算法参数 
wmax=1.2;  %惯性因子
wmin=0.1;  %惯性因子

x=unidrnd(4,xSize,Dim);  %粒子初始化
v=zeros(xSize,Dim);      %速度初始化

xbest=x;           %个体最佳值
gbest=x(1,:);      %粒子群最佳位置

% 粒子适应度值 
px=zeros(1,xSize);   %粒子价值目标
rx=zeros(1,xSize);   %粒子体积目标
cx=zeros(1,xSize);   %重量约束

% 最优值初始化
pxbest=zeros(1,xSize); %粒子最优价值目标
rxbest=zeros(1,xSize); %粒子最优体积目标
cxbest=zeros(1,xSize);  %记录重量，以求约束

% 上一次的值
pxPrior=zeros(1,xSize);%粒子价值目标
rxPrior=zeros(1,xSize);%粒子体积目标
cxPrior=zeros(1,xSize);%记录重量，以求约束

%计算初始目标向量
for i=1:xSize
    for j=1:Dim %控制类别
        px(i) = px(i)+P(x(i,j),j);  %粒子价值
        rx(i) = rx(i)+R(x(i,j),j);  %粒子体积
        cx(i) = cx(i)+C(x(i,j),j);  %粒子重量
    end
end
% 粒子最优位置
pxbest=px;rxbest=rx;cxbest=cx;

%% 初始筛选非劣解
flj=[];
fljx=[];
fljNum=0;
%两个实数相等精度
tol=1e-7;
for i=1:xSize
    flag=0;  %支配标志
    for j=1:xSize  
        if j~=i
            if ((px(i)<px(j)) &&  (rx(i)>rx(j))) ||((abs(px(i)-px(j))<tol)...
                    &&  (rx(i)>rx(j)))||((px(i)<px(j)) &&  (abs(rx(i)-rx(j))<tol)) || (cx(i)>weight) 
                flag=1;
                break;
            end
        end
    end
    
    %判断有无被支配
    if flag==0
        fljNum=fljNum+1;
        % 记录非劣解
        flj(fljNum,1)=px(i);flj(fljNum,2)=rx(i);flj(fljNum,3)=cx(i);
        % 非劣解位置
        fljx(fljNum,:)=x(i,:); 
    end
end

%% 循环迭代
for iter=1:MaxIt
    
    % 权值更新
    w=wmax-(wmax-wmin)*iter/MaxIt;
     
    %从非劣解中选择粒子作为全局最优解
    s=size(fljx,1);       
    index=randi(s,1,1);  
    gbest=fljx(index,:);

    %% 群体更新
    for i=1:xSize
        %速度更新
        v(i,:)=w*v(i,:)+c1*rand(1,1)*(xbest(i,:)-x(i,:))+c2*rand(1,1)*(gbest-x(i,:));
        
        %位置更新
        x(i,:)=x(i,:)+v(i,:);
        x(i,:) = rem(x(i,:),objnum)/double(objnum);
        index1=find(x(i,:)<=0);
        if ~isempty(index1)
            x(i,index1)=rand(size(index1));
        end
        x(i,:)=ceil(4*x(i,:));        
    end
    
    %% 计算个体适应度
    pxPrior(:)=0;
    rxPrior(:)=0;
    cxPrior(:)=0;
    for i=1:xSize
        for j=1:Dim %控制类别
            pxPrior(i) = pxPrior(i)+P(x(i,j),j);  %计算粒子i 价值
            rxPrior(i) = rxPrior(i)+R(x(i,j),j);  %计算粒子i 体积
            cxPrior(i) = cxPrior(i)+C(x(i,j),j);  %计算粒子i 重量
        end
    end
    
    %% 更新粒子历史最佳
    for i=1:xSize
        %现在的支配原有的，替代原有的
         if ((px(i)<pxPrior(i)) &&  (rx(i)>rxPrior(i))) ||((abs(px(i)-pxPrior(i))<tol)...
                 &&  (rx(i)>rxPrior(i)))||((px(i)<pxPrior(i)) &&  (abs(rx(i)-rxPrior(i))<tol)) || (cx(i)>weight) 
                xbest(i,:)=x(i,:);%没有记录目标值
                pxbest(i)=pxPrior(i);rxbest(i)=rxPrior(i);cxbest(i)=cxPrior(i);
          end
        
        %彼此不受支配，随机决定
        if ~( ((px(i)<pxPrior(i)) &&  (rx(i)>rxPrior(i))) ||((abs(px(i)-pxPrior(i))<tol)...
                &&  (rx(i)>rxPrior(i)))||((px(i)<pxPrior(i)) &&  (abs(rx(i)-rxPrior(i))<tol)) || (cx(i)>weight) )...
                &&  ~( ((pxPrior(i)<px(i)) &&  (rxPrior(i)>rx(i))) ||((abs(pxPrior(i)-px(i))<tol) &&  (rxPrior(i)>rx(i)))...
                ||((pxPrior(i)<px(i)) &&  (abs(rxPrior(i)-rx(i))<tol)) || (cxPrior(i)>weight) )
            if rand(1,1)<0.5
                xbest(i,:)=x(i,:);
                  pxbest(i)=pxPrior(i);rxbest(i)=rxPrior(i);cxbest(i)=cxPrior(i);
            end
        end
    end

    %% 更新非劣解集合
    px=pxPrior;
    rx=rxPrior;
    cx=cxPrior;
    %更新升级非劣解集合
    s=size(flj,1);%目前非劣解集合中元素个数
   
    %先将非劣解集合和xbest合并
    pppx=zeros(1,s+xSize);
    rrrx=zeros(1,s+xSize);
    cccx=zeros(1,s+xSize);
    pppx(1:xSize)=pxbest;pppx(xSize+1:end)=flj(:,1)';
    rrrx(1:xSize)=rxbest;rrrx(xSize+1:end)=flj(:,2)';
    cccx(1:xSize)=cxbest;cccx(xSize+1:end)=flj(:,3)';
    xxbest=zeros(s+xSize,Dim);
    xxbest(1:xSize,:)=xbest;
    xxbest(xSize+1:end,:)=fljx;
   
    %筛选非劣解
    flj=[];
    fljx=[];
    k=0;
    tol=1e-7;
    for i=1:xSize+s
        flag=0;%没有被支配
        %判断该点是否非劣
        for j=1:xSize+s 
            if j~=i
                if ((pppx(i)<pppx(j)) &&  (rrrx(i)>rrrx(j))) ||((abs(pppx(i)-pppx(j))<tol) ...
                        &&  (rrrx(i)>rrrx(j)))||((pppx(i)<pppx(j)) &&  (abs(rrrx(i)-rrrx(j))<tol)) ...
                        || (cccx(i)>weight) %有一次被支配
                    flag=1;
                    break;
                end
            end
        end

三、运行结果

【优化求解】粒子群算法的多目标优化【Matlab 479期】 - 文章图片

四、备注

内容总结

以上是互联网集市为您收集整理的【优化求解】粒子群算法的多目标优化【Matlab 479期】全部内容，希望文章能够帮你解决【优化求解】粒子群算法的多目标优化【Matlab 479期】所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/597671.html

来源：【匿名】

【上一篇】java数据结构与算法——哈希表【下一篇】浅谈php实现映射的两种方法（链表和二叉树）

更多 ►

【【优化求解】粒子群算法的多目标优化【Matlab 479期】】教程文章相关的互联网学习教程文章

粒子群优化算法【代码】

from sko.PSO import PSO import matplotlib.pyplot as plt‘‘‘ 目标是求目标函数的最小值粒子群优化算法和蚁群算法类似，主要依靠群体之间的联系寻找最优解和最优输入嘴和参数介绍: func：目标函数 ndim: 输入参数的个数 pop：粒子的个数 max_iter：最大迭代次数 lb：输入参数的下限，低于此数值将不再衰减 ub：输入参数的上限，高于此数值将不再增加 w：学习衰减速率,惯性权重，学习的精度将随着...

粒子群优化算法—Matlab【代码】

PSO算法clc; clear ; close ; %% Problem DefinitionCostFunction = @(x) sphere(x); % Cost FunctionnVar = 5; % Dimension of Decision VariablesVarSize = [1,nVar]; % Matrix Size of Decision VariablesVarMin = -10; % Lower Bound of Decision Variables VarMax = 10; % Upper Bound of Decision Variables%% Parameters of PSOMaxIt = 1000; ...

【比较】粒子群算法PSO 和遗传算法GA 的相同点和不同点

目录PSO和GA的相同点PSO和GA不同点粒子群算法（PSO）和遗传算法(GA)都是优化算法，都力图在自然特性的基础上模拟个体种群的适应性，它们都采用一定的变换规则通过搜索空间求解。PSO和GA的相同点都属于仿生算法。PSO主要模拟鸟类觅食、人类认知等社会行为而提出；GA主要借用生物进化中“适者生存”的规律。都属于全局优化方法。两种算法都是在解空间随机产生初始种群，因而算法在全局的解空间进行搜索，且将搜索重点集中在性能高的部...

基于粒子群算法优化广义神经网络（岩爆预测实例）

粒子群算法优化广义神经网络（PSO_GRNN）这里分享最近研究重现的一篇文章，核心算法是广义神经网络GRNN，依据岩石的抗拉强度、弹性能量指数等四个特征对岩爆危险等级的一种预测。算法思路比较简单，论文《基于粒子群算法和广义回归神经网络的岩爆预测》欢迎大家引用原文~ 这里附上主程序，完整代码可从这里下载:// download.csdn.net/download/weixin_40405758/12123029 论文摘要：岩爆是岩石深部开挖中一种常见的工程地质灾害...

基于粒子群算法的最小二乘支持向量机电池状态估计【图】

摘要：电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一，准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响，因此很难准确估计SOC。为了提高SOC的估计精度，本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量，SOC作为模型的输出向量，为了更好的获得LSSVM模型的参数，提出了利用自适应粒子群算法来进行参...

基于粒子群算法的最小二乘支持向量机电池状态估计【图】

【优化求解】基于matlab粒子群算法优化海岛分布式能源系统调度【含Matlab源码 768期】【代码】【图】

一、简介 1 粒子群算法的概念粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation）。源于对鸟群捕食的行为研究。粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解． PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。 2 粒子群算法分析 2.1基本思想粒子群算法...

粒子群算法matlab以求解函数最优解为例【代码】

粒子群算法matlab以求解函数最优解为例 clear; clc; close all; N=100; %粒子个数 D=2; %粒子维数 MaxIter=500; %最大迭代次数 C1max=1.8; %权重参数，自适应 C2max=1.8; C1=1.2; C2=1.2; w=0.79; Wmax=0.8; %对自己速度的记忆 Wmin=0.4; Xmax=4; Xmin=-4; %自变量的范围 Vmax=1; Vmin=-1; %速度的范围x=rand(N,D)*(Xmax-Xmin)+Xmin; %初始化N个粒子的D维空间位置 v=rand(N,D)*(Vmax-Vmin)+Vmin; %初始化N个粒子的D维空间速...

【优化求解】粒子群算法的多目标优化【Matlab 479期】【图】

一、简介粒子群优化(PSO)是一种基于群体智能的数值优化算法，由社会心理学家James Kennedy和电气工程师Russell Eberhart于1995年提出。自PSO诞生以来，它在许多方面都得到了改进，这一部分将介绍基本的粒子群优化算法原理和过程。 1.1 粒子群优化粒子群优化(PSO)是一种群智能算法，其灵感来自于鸟类的群集或鱼群学习，用于解决许多科学和工程领域中出现的非线性、非凸性或组合优化问题。 1.1.1 算法思想许多鸟类都是群居性的，...

粒子群算法求解三维装箱问题【代码】【图】

粒子群算法求解三维装箱问题三维装箱问题介绍基本约束条件模型假设模型建立粒子群算法参数设置粒子群代码结果展示店铺地址欢迎加入群智能讨论群三维装箱问题介绍三维装箱问题定义为：给定 i 种长宽高为 Li、Wi、 Hi 的集装箱和 j 种长宽高为 lj、wj、hj ，重量为 mj 的货物，在考虑一定约束条件的同时，最大化地利用集装箱的体积或载重量，将货物装载到一个或多个集装箱中。集装箱装载问题可以根据集装箱数量、集装箱形状、装...

【TSP】基于matlab粒子群算法求解旅行商问题【含Matlab源码 445期】【图】

【优化求解】基于matlab粒子群算法的多目标优化【含Matlab源码 441期】【图】

进化算法之粒子群算法和Matlab实现（多维）【图】

转自：https://blog.csdn.net/DBLLLLLLLL/article/details/82965722 （粒子群算法进阶讲解传送门：(https://blog.csdn.net/DBLLLLLLLL/article/details/103036067 https://blog.csdn.net/qq_34452281/article/details/90550228?utm_term=%E5%A4%9A%E7%A7%8D%E7%BE%A4%E7%B2%92%E5%AD%90%E7%BE%A4&utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~sobaiduweb~default-4-90550228&spm=3001.4430) 前面一篇文章...

【啃书】《MATLAB智能算法30个案例分析(第2版)》第十章基于粒子群算法的多目标搜索算法【代码】【图】

文章目录问题描述仿真过程matlab源码问题描述仿真过程matlab源码 %20201229lu注：该代码在matlab2019b成功运行 %% 该函数演示多目标perota优化问题 %清空环境 clc clearload data %导入data.mat数据，data.mat中即储存的问题中P,R,C%% 初始参数 objnum=size(P,1); %类中物品个数 weight=92; %总重量限制%初始化程序 Dim=5; %粒子维数 xSize=50; %种群个数 MaxIt=200; %迭代次数 c1=0.8; %算法参数 c2=0.8; %算...

智能算法之粒子群算法【图】

一、解决最优化问题的方法 1.传统搜索方法：保证能找到最优解 2.启发式搜索：不能保证找到最优解二、定义粒子群优化算法（Particle Swarm Optimization，PSO）是自然计算的一个分支，是一种模拟自然界的生物活动的随机搜索算法。群体迭代，粒子在解空间追随最优的粒子进行搜索。三、基本原理基础：信息的社会共享四、算法描述 1.鸟群：假设一个区域，所有的鸟都不知道食物的位置，但是它们知道当前位置离食物还有多远。 2.算...

算法 - 最热教程

浅谈SQLServer查询优化器中的JOIN算法有没那种可逆算法是密文比明文短的呢？...javascript-类似Excel里面的NORMDIST函...C++中的分治算法及常见题目汇总压缩感知重构算法综述-学习笔记 c++中内置函数qsort（快速排序）和bsea...一、fpga图像处理算法整合基于遗传算法（deap）的非线性函数寻优...集成学习-Bagging集成学习算法随机森林...机器学习笔记（九）聚类算法及实践（K-...

首页 / 算法 / 【优化求解】粒子群算法的多目标优化【Matlab 479期】

【优化求解】粒子群算法的多目标优化【Matlab 479期】

内容导读

内容图文

一、简介

二、源代码

三、运行结果

四、备注

内容总结

内容备注

内容手机端

【【优化求解】粒子群算法的多目标优化【Matlab 479期】】教程文章相关的互联网学习教程文章

粒子群优化算法【代码】

粒子群优化算法—Matlab【代码】

【比较】粒子群算法PSO 和遗传算法GA 的相同点和不同点

基于粒子群算法优化广义神经网络（岩爆预测实例）

基于粒子群算法的最小二乘支持向量机电池状态估计【图】

基于粒子群算法的最小二乘支持向量机电池状态估计【图】

【优化求解】基于matlab粒子群算法优化海岛分布式能源系统调度【含Matlab源码 768期】【代码】【图】

粒子群算法matlab以求解函数最优解为例【代码】

【优化求解】粒子群算法的多目标优化【Matlab 479期】【图】

粒子群算法求解三维装箱问题【代码】【图】

【TSP】基于matlab粒子群算法求解旅行商问题【含Matlab源码 445期】【图】

【优化求解】基于matlab粒子群算法的多目标优化【含Matlab源码 441期】【图】

进化算法之粒子群算法和Matlab实现（多维）【图】

【啃书】《MATLAB智能算法30个案例分析(第2版)》第十章基于粒子群算法的多目标搜索算法【代码】【图】

智能算法之粒子群算法【图】

MATLAB - 相关标签

算法 - 相关标签

算法 - 最新教程

算法 - 最热教程