智能优化方法作业PSO算法Word下载.docx
- 文档编号:15303122
- 上传时间:2022-10-29
- 格式:DOCX
- 页数:10
- 大小:348.05KB
智能优化方法作业PSO算法Word下载.docx
《智能优化方法作业PSO算法Word下载.docx》由会员分享,可在线阅读,更多相关《智能优化方法作业PSO算法Word下载.docx(10页珍藏版)》请在冰豆网上搜索。
要求按PSO算法思想设计一个该问题的求解算法,并利用计算机语言实现设计的算法。
将实验报告和程序代码(带有详细注释)。
第二章算法设计
2.1解及目标函数的表达
2.1.1种群的编码
显然对于一个粒子个体可以用一个含有5个元素的一维数组进行表示。
对于一个种群这里使用pop_size×
5的二维数组进行表示。
其中pop_size为种群大小。
2.1.2初始种群的产生
初始种群的各个粒子均采用均匀随机产生的方式,即粒子每一位都是-30到30上的随机数。
同样粒子的速度也是-40到40上的随机数。
这里设置速度在-40到40内是因为限定速度的最大值为40。
2.1.3评价函数的构造
这里直接采用解的函数值作为评价函数,评价函数值越小认为该解越好。
评价函数如下:
(2)
2.2POS速度迭代公式
为了改善算法的收敛性,这里采样带惯性权重的迭代公式,速度迭代公式如下:
(3)
其中:
:
粒子的速度。
w:
粒子的权重,为0到1的数值。
表示对之前速度的一个惯性。
值越小,前一时刻的速度对当前时刻速度的影响也越小。
对个体所搜索过的最优值的学习因子。
值越大,向个体最优值的移动速度也越大。
对全局搜索过的最优值的学习因子。
值越大,向全局最优值移动的速度也越大。
0到1的随机数。
表示粒子学习状态的随机,有可能向全局最优值学习,有可能向个体最优值学习。
也有可能几乎不学习。
粒子搜索过的个体最优解。
种群搜索过的全局最优解。
可以看出,这里将整个种群视为“连通的”。
即整个种群共用一个全局最优值。
另外,为了保证算法的收敛性,这里对速度的最大值进行了限定。
这里设定的速度最大值的绝对值为40,即粒子的每一个分量在一次迭代过程中最多跨越搜索长度的2/3。
2.3粒子的更新
粒子的更新采用如下公式:
(4)
粒子的位置。
这里同样对粒子的位置进行限定,即让粒子的每一个分量均在-30到30之间。
2.4惯性权重的调整
惯性权重带代表着对之前速度继承情况。
一般来说,惯性权重越大全局的探索能力越强,惯性权重越小局部的开发能力越强。
根据这个规律,这里采样变惯性权重的搜索方式。
在搜索的开始阶段,使用较大的惯性权重,随着迭代次数的进行,逐渐减少惯性权重。
使其进行更多的局部开发,寻找最优解。
惯性权重调整公式如下:
(5)
第i次迭代的惯性权重。
最大惯性权重。
最小惯性权重。
iter_max:
最大迭代次数。
i:
当前迭代次数。
2.5停止准则
停止准则采样固定的迭代次数。
第三章算法实现及分析
3.1编译环境及界面介绍
本次试验算法采用matlab进行实现。
matlab版本为R2013b.首先我们编写了一个m脚本文件进行调试(pso_pro.m).在程序调试成功以后,为了方便讨论各个参数对算法的影响及对算法进行分析。
我们又编写了一个GUI界面(PSO_pro.fig或PSO_pro.m)。
界面如下:
图3.1PSO算法GUI界面
3.2matlab中GUI界面打开的3种方式
方法一:
将文件放到matlab当前工作目录或者添加文件目录到matlab搜索目录中。
然后在命令空间输入PSO_pro.
方法二:
打开PSO_pro.m文件,然后点击上方run字样的绿色箭头。
方法三:
在命令空间输入guide,选择openexistingGUI->
browse->
PSO_pro.fig.然后点击上方的run字样的绿色箭头。
以上方法均可以打开GUI界面,但是不能直接点击PSO_pro.fig文件进行打开。
这是因为这样打开GUI文件时,不会调用opening函数。
即不会初始化及更新结构体。
运行文件会导致错误。
第四章算法分析
4.1默认参数下的运行结果
下面是默认参数下的一种运行结果
图4.1默认参数下的运行情况
可以看出在这些参数下,算法的收敛速度非常不错,在迭代到150次左右次之后,结果几乎不变了。
最优值1.2398距离理论最优值0也是比较接近。
总体来说算法表现较为良好。
然后我们多运行了几次,发现并不是每一次算法都会收敛到最优值附近。
如下图所示:
图4.2默认参数下收敛效果不好的情况
这是因为,这里种群的大小为20,比较少。
粒子群算法作为一种随机优化方法。
在初始粒子分布较近,且他们的函数值离最优值较远时。
他们通过互相学习,很快的就会“聚拢”。
但是因为他们函数值较差,所以会出现求解失败的情况。
这里由迭代曲线可以看出,在不到40代的时候,粒子几乎已经收拢了,不会出现更新到更好解的情况了。
下面分别讨论一些参数对算法的影响。
4.2种群大小对算法的影响
下面是将种群大小改为30后,其中的一次较好的迭代结果:
图4.3种群大小=30较好的一次结果
可以看出,当把种群大小改为30后,算法的收敛速度更快了(坐标轴从10^10到10^-30变化)。
同时求解的效果也非常的好。
另外,由迭代曲线可以看出,粒子并没有完全“聚拢”,最优值还可以继续下降。
这里1.0000是显示精度不足,并不是代表1.
同样多运行几遍程序,发现很少出现求解失败的情况,即使求解失败,其最优值和之前求解失败的情况相比,也有明显的下降。
图4.4种群大小=30求解失败的情况
另外,我们又将种群大小改为40,50,60.发现当种群大小超过40后,求解精度几乎为10^(-5)以上.同时几乎不存在求解失败的情况。
总结:
随着种群的增加,系统求解到最优值的精度越来越高。
同时系统求解成功的概率也越来越高。
系统求解成功的概率和种群的大小密切相关。
4.3最大迭代次数对算法的影响
下面是将最大迭代次数改为300后的一次运行结果:
图4.5迭代次数=300的运行结果
可以看出,当增加迭代次数时,求解的结果也会越来越好。
但是通过多次运行发现,算法求解失败的概率几乎没有改变。
这是因为算法的求解是否成功和种群的大小、他们的初始位置有关以及速度惯性权重有关。
而和迭代次数关系不大,由上图可以发现在230次的时候,粒子几乎已经“聚拢”了。
这时即使增加迭代次数,粒子也不会再进行广域的探索了。
结论:
迭代次数越多,求解的精度越高。
但求解的成功概率几乎不变。
4.4实验得出的“最优”参数
通过一系列的测试,我们发现在以下这组参数下,算法用时最少,同时比较容易得到最优值。
图4.6最优参数下的结果
可以看出算法可以收敛到10^(-30)以上,已经超过了matlab的最小数字。
求解到了问题的最优值。
而且差不多刚好在300代左右迭代到最优值,没有过多的浪费时间。
事实上,权重的设置对算法的影响也比较大。
这里由于得到的结论和算法的理论分析相同,便不再赘述了。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智能 优化 方法 作业 PSO 算法
![提示](https://static.bdocx.com/images/bang_tan.gif)