基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算

1、.基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算1、案例背景為了跟蹤動(dòng)態(tài)極值，需要對(duì)基本的PSO算法進(jìn)行兩方面改進(jìn)，第一是引入探測(cè)機(jī)制，使種群或粒子獲得感知外部環(huán)境變化的能力；第二是引入響應(yīng)機(jī)制，在探測(cè)到環(huán)境的變化后，采取某種響應(yīng)方式對(duì)種群進(jìn)行更新，以適應(yīng)動(dòng)態(tài)環(huán)境?；诿舾辛Ｗ拥膭?dòng)態(tài)粒子群算法是一種典型的動(dòng)態(tài)粒子群算法，它在算法初始化時(shí)隨機(jī)選擇一個(gè)或多個(gè)位置，稱為敏感粒子，每次迭代中計(jì)算敏感粒子適應(yīng)度值，當(dāng)發(fā)現(xiàn)適應(yīng)度值變化時(shí)，認(rèn)為環(huán)境已發(fā)生變化。響應(yīng)的方式是按照一定比例重新初始化粒子位置和粒子速度。2、案例目錄第十六章  基于動(dòng)態(tài)粒子群算法的動(dòng)態(tài)環(huán)境尋優(yōu)算法.16.1理論基礎(chǔ).16.1

2、.1 動(dòng)態(tài)粒子群算法.16.1.2 動(dòng)態(tài)環(huán)境.16.2 案例背景.16.3 MATLAB程序?qū)崿F(xiàn).16.3.1 動(dòng)態(tài)環(huán)境函數(shù).16.3.2 種群初始化.16.3.3 循環(huán)動(dòng)態(tài)尋找.16.3.4 仿真結(jié)果.16.4延伸閱讀.16.4.1 .APSO.16.4.2 .EPSO.16.4.3 TDPSO.16.5 參考文獻(xiàn). 103、主程序% 循環(huán)尋找最優(yōu)點(diǎn)for k = 1:1200k% 新數(shù)字地圖h = DF1function(X1,Y1,H1,X2(k),Y2(k),H2(k);% 敏感粒子變化for i

3、=1:5*nfitnessTest(i)=h(popTest(i,1),popTest(i,2);endoFitness=sum(fitnessTest);% 變化超過一定范圍,重新初始化if abs(oFitness - nFitness)>1index=randperm(20);pop(index(1:10),:)=unidrnd(501,10,2);V(index(1:10),:)=unidrnd(100,10,2)-50;end% 粒子搜索for i=1:Tmaxfor j=1:n% 速度更新V(j,:)=V(j,:)+floor(rand*(popgbest(j,:)-pop(

4、j,:)+floor(rand*(popzbest - pop(j,:);index1=find(V(j,:)>Vmax);V(j,index1)=Vmax;index2=find(V(j,:)<Vmin);V(j,index2)=Vmin;% 個(gè)體更新pop(j,:)=pop(j,:)+V(j,:);index1=find(pop(j,:)>popMax);pop(j,index1)=popMax;index2=find(pop(j,:)<popMin);pop(j,index2)=popMin;% 新適應(yīng)度值fitness(j)=h(pop(j,1),pop(j,2

5、);% 個(gè)體極值更新if fitness(j) > fitnessgbest(j)popgbest(j,:) = pop(j,:);fitnessgbest(j) = fitness(j);end % 群體極值更新if fitness(j) > fitnesszbestpopzbest= pop(j,:);fitnesszbest = fitness(j);endendendfitnessRecord(k)=fitnesszbest;fitnesszbest=0;fitnessgbest=zeros(1,20);end4、運(yùn)行結(jié)果