pso優化演算法

『壹』 粒子群優化演算法的PSO

這個屬於多目標優化問題，你可以把參考價格、外觀樣式、網路類型、屏幕參數和攝像頭像素等分別給予不同的權重值，作為一個目標函數，目標函數值就是綜合評價得分，然後用微粒群演算法求解。

『貳』 如何利用 PSO 粒子群優化演算法，優化目標函數後，得到粒子的分布，而且粒子之間滿足一定的距離要求。

可以使得粒子在滿足一定概率分布的條件下更新，這個或許是你說的（參考量子粒子群）
粒子群其實是隨即演算法，既然是隨機，就存在許多不可控的因素，按你說的條件，如果太嚴格的話可能會失去隨機演算法的優勢

『叄』 如何用pso演算法優化離散數據（matlab程序）

如果你是想找一個三階的多項式擬合你的離散數據的話，可以用PSO。
直接用基礎pso就可以，不過你的適應度函數是三維(因為是3階的多項式)，要利用你的數據編一個，常用的話就是差值平方和，就是fitness=(真實值1-多項式計算值1)^2+(真實值2-多項式計算值2)^2+...... 你有13組數據就可以加13次夠了，不過提醒一下，你的每個變數的范圍要注意設置。
如果還有不懂的可以M我，不過我不常在(⊙o⊙)哦，謝謝

『肆』 哪位大神指點一下粒子群優化演算法（PSO）的輸入和輸入分別是什麼

適應度函數應由具體問題而自己去選擇。比如你想用PSO求函數最小值，則適應度函數就可以設為該函數，通過函數值減小方向來決定粒子運動方向，最後結果便是粒子位於取得函數最小值的點。
PSO演算法中輸入有：
種群規模
粒子維度
最大迭代次數
適應度函數
慣性權值
加速因子
最大速度
輸出結果為優化後的」粒子「。

『伍』 粒子群演算法的優缺點

優點：PSO同遺傳演算法類似，是一種基於迭代的優化演算法。系統初始化為一組隨機解，通過迭代搜尋最優值。同遺傳演算法比較，PSO的優勢在於簡單容易實現，並且沒有許多參數需要調整。

缺點：在某些問題上性能並不是特別好。網路權重的編碼而且遺傳運算元的選擇有時比較麻煩。最近已經有一些利用PSO來代替反向傳播演算法來訓練神經網路的論文。

(5)pso優化演算法擴展閱讀：

注意事項：

基礎粒子群演算法步驟較為簡單。粒子群優化演算法是由一組粒子在搜索空間中運動，受其自身的最佳過去位置pbest和整個群或近鄰的最佳過去位置gbest的影響。

對於有些改進演算法，在速度更新公式最後一項會加入一個隨機項，來平衡收斂速度與避免早熟。並且根據位置更新公式的特點，粒子群演算法更適合求解連續優化問題。

『陸』 咨詢一個最簡單的PSO演算法的程序

%------基本粒子群優化演算法（Particle Swarm Optimization）-----------
%------作用：求解優化問題
%------初始格式化----------
format long;
c1=1.4962; %學習因子1
c2=1.4962; %學習因子2
w=0.7298; %慣性權重
MaxDT=1000; %最大迭代次數
D=10; %搜索空間維數（未知數個數）
N=40; %初始化群體個體數目
eps=10^(-6); %設置精度(在已知最小值時候用)
%------初始化種群的個體(可以在這里限定位置和速度的范圍)------------
for i=1:N
for j=1:D
x(i,j)=randn; %隨機初始化位置
v(i,j)=randn; %隨機初始化速度
end
end
%------先計算各個粒子的適應度，並初始化Pi和Pg----------------------
for i=1:N
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
pg=x(1,:); %Pg為全局最優
for i=2:N
if fitness(x(i,:),D)
pg=x(i,:);
end
end
%------進入主要循環，按照公式依次迭代，直到滿足精度要求------------
for t=1:MaxDT
for i=1:N
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
if fitness(x(i,:),D)<p(i)
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
if p(i)
pg=y(i,:);
end
end
Pbest(t)=fitness(pg,D);
end
%------最後給出計算結果
disp('*************************************************************')
disp('函數的全局最優位置為：')
Solution=pg
disp('最後得到的優化極值為：')
Result=fitness(pg,D)
disp('*************************************************************')
%------演算法結束---

如果想要適應度函數源程序（fitness.m），可以再聯系

『柒』 粒子群優化演算法（PSO）有沒有專門的軟體啊

MATLAB裡面有遺傳演算法的的工具箱，PSO可以用到

『捌』 如何用粒子群優化（PSO）演算法實現多目標優化

粒子群演算法，也稱粒子群優化演算法（ParticleSwarmOptimization），縮寫為PSO，是近年來發展起來的一種新的進化演算法(EvolutionaryAlgorithm-EA)。PSO演算法屬於進化演算法的一種，和模擬退火演算法相似，它也是從隨機解出發，通過迭代尋找最優解，它也是通過適應度來評價解的品質，但它比遺傳演算法規則更為簡單，它沒有遺傳演算法的「交叉」(Crossover)和「變異」(Mutation)操作，它通過追隨當前搜索到的最優值來尋找全局最優。這種演算法以其實現容易、精度高、收斂快等優點引起了學術界的重視，並且在解決實際問題中展示了其優越性。粒子群演算法是一種並行演算法。

『玖』 PSO演算法解決帶約束條件的優化問題

約束條件：
a11x1+a12x2+…+a1nxn≤b1
a21x1+a22x2+…+a2nxn≤b2
…………………………
am1x1+am2x2+…+amnxn≤bm
x1，x2，…，xn≥0 式中x1，x2，…，xn為企業生產的各種產品；b1，b2，…，bm為可供使用的各種投入要素的數量；
aij(i=1，2…m；j=1,2,… n)為第j種產品每生產1個單位所需要的第i種投入要素的數量；最後，非負值約束條件表示各種產品的產量必須是正值，負值是沒有意義的。