优化算法程序
⑴ 粒子群优化算法（PSO)的matlab运行程序~~谢谢大家啦！
%不知道你具体的问题是什么，下面是一个最基本的pso算法解决函数极值问题，如果是一些大型的问题，需要对速度、惯性常数、和自适应变异做进一步优化，希望对你有帮助
function y = fun(x)
y=-20*exp(-0.2*sqrt((x(1)^2+x(2)^2)/2))-exp((cos(2*pi*x(1))+cos(2*pi*x(2)))/2)+20+2.71289;
%下面是主程序
%% 清空环境
clc
clear
%% 参数初始化
%粒子群算法中的两个参数
c1 = 1.49445;
c2 = 1.49445;
maxgen=200; % 进化次数
sizepop=20; %种群规模
Vmax=1;%速度限制
Vmin=-1;
popmax=5;%种群限制
popmin=-5;
%% 产生初始粒子和速度
for i=1:sizepop
%随机产生一个种群
pop(i,:)=5*rands(1,2); %初始种群
V(i,:)=rands(1,2); %初始化速度
%计算适应度
fitness(i)=fun(pop(i,:)); %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %全局最佳
gbest=pop; %个体最佳
fitnessgbest=fitness; %个体最佳适应度值
fitnesszbest=bestfitness; %全局最佳适应度值
%% 迭代寻优
for i=1:maxgen
for j=1:sizepop
%速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,find(V(j,:)>Vmax))=Vmax;
V(j,find(V(j,:)<Vmin))=Vmin;
%种群更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;
%自适应变异（避免粒子群算法陷入局部最优）
if rand>0.8
k=ceil(2*rand);%ceil朝正无穷大方向取整
pop(j,k)=rand;
end
%适应度值
fitness(j)=fun(pop(j,:));
%个体最优更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
%群体最优更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i)=fitnesszbest;
end
%% 结果分析
plot(yy)
title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');
⑵ 关于群智能优化算法程序的问题
POS是一个二维数组 POS[i][j], 设其大小为 n * m
POS(i,:) 在matlab里表示 一个大小为m的一维数组 其中元素为 POS[i][0],...,POS[i][m-1]
⑶ 哪位大神能帮我翻译一下这段程序-------粒子群优化算法
清除所有
中图分类号
% % %的0418s标准粒群优化算法程序2007.1.9郏宣耀%测试函数：F（x，y）= 100（x ^ 2-y）^ 2 +（1-x）^ 2，2.048＜x，y＜2.048%求解函数最小值
tic
%程序初始化
n＝10；
Ni = 1000；%设置进化代数
设置种群规模大小popsize = 50；%
max_velocity = 100 *的（1，n）；%最大速度限制
XMAX = 100 *的（1，n）；xmin = 100 *的（1，n）；
C1 = 2；C2 = 2；iw_min = 0.4；iw_max = 0.9；
%%%%%%%%%
流行= 0（popsize，N + 1）= 0；记忆体（popsize，n + 1）；速度=零（popsize，N）；最优=零（1，n + 1）；
记忆体（：，n + 1）=信息*人（popsize，1）；进行（n + 1）= inf；
我= 1：popsize
对于j = 1：n
流行（I，J）= Xmin（J）+ rand() *（Xmax（J）- XMIN（j））；
速度（I，J）= Xmin（J）+ rand() *（Xmax（J）- XMIN（j））；
结束
结束
对于ni＝1：ni
我= 1：popsize
弹出（i，n + 1）= 0；
对于j = 1：n
POP（i，n + 1）= POP（i，n + 1）+ POP（i，j）2；
结束
如果流行（i，n + 1）< pbest（i，n + 1）
记忆体（我，：）=流行（我，：）；
如果记忆体（i，n + 1）< gBest（n + 1）
gBest = pbest（我，：）；
结束
结束
结束
IW（Ni）= iw_max -（iw_max-iw_min）*镍/镍；
我= 1：popsize
对于j = 1：n
速度（I，J）= IW（Ni）*速度（I，J）+ C1 * rand() *（pbest（i，j）（i，j）流行）+ C2 * rand() *（gBest（J）-（i，j）的流行率更新速度）；
如果速度（I，J）> max_velocity（J）
速度（I，J）= max_velocity（J）；
“（i，j）的速度有max_velocity（J）
速度（I，J）= - max_velocity（J）；
结束
弹出（i，j）=弹出（i，j）+速度（i，j）；
如果流行（I，J）＞Xmax（J）
流行（I，J）= Xmax（J）；
“（i，j）流行<< XMIN（J）
流行（I，J）= Xmin（J）；
结束
结束
结束
fbest1（Ni）= gBest（n + 1）；
结束
FF1 = gBest（n + 1）；
x＝1：ni；
图形、符号学（x，fbest1，’B’）；
传说（'pso”）；
xlabel（'generation '）；ylabel（“平均值”为标题的功能）；（'sphere功能）；
⑷ 急求一些最优化算法的程序!比如说遗传算法、模拟退火、粒子群优化算法等等一些常见算法的程序。
google 网络。。。一堆一堆的。。。。。。
比如： http://www.google.com/search?hl=zh-CN&newwindow=1&biw=1280&bih=830&q=%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95+%E7%A8%8B%E5%BA%8F&aq=f&aqi=g-g4g1g-g4g1&aql=&oq=
自己找找啊……
⑸ 求一个POA（逐步优化算法）的程序，最好详细一点，随便什么语言写的都行
这是一个POA算法（C#）的梯级电站优化计算的程序，来源于网络文库，代码太长，这里只给个连接。
http://wenku..com/link?url=__hjQbHSgEDNe_t882vty8EFstMni1VzBe
⑹ 求解非线性方程的的最优化算法C++程序
j是复数单位吗？可以试试http://dlib.net/，下面是个示例，我没有提供导数什么的，所以不稳定。它的用法和matlab挺像，你应该能搞定。
#include<dlib/optimization.h>
#include<iostream>
usingnamespacestd;
usingnamespacedlib;
typedefmatrix<double,2,1>column_vector;
typedefcomplex<double>complex_t;
intconstM=3;
staticmatrix<double,3,M>a;
voidinit(){
staticbooltag=true;
if(tag){
a=0,1,2,3,4,5,6,7,8;
tag=false;
}
}
doublefoo(constcolumn_vector&x){
init();
complex_tres;
for(inti=0;i!=a.nc();++i){
res+=exp(complex_t(
0,
a(0,i)+a(1,i)*x(0)+a(2,i)*x(1)
));
}
returnnorm(res)/M;
}
intmain(){
try{
column_vectorstarting_point;
starting_point=0,0;
doublemax_value=find_max_box_constrained(bfgs_search_strategy(),
objective_delta_stop_strategy(1e-9),
foo,derivative(foo),starting_point,-50,50);
cout<<"x0= "<<starting_point<<" foo(x0)="<<max_value<<" ";
}
catch(std::exceptionconst&e){
cerr<<e.what()<<" ";
}
return0;
}
运行结果：
⑺ 经济最优单目标遗传优化算法怎么实现
我给你一个标准遗传算法程序供你参考：
该程序是遗传算法优化BP神经网络函数极值寻优：
%% 该代码为基于神经网络遗传算法的系统极值寻优
%% 清空环境变量
clc
clear
%% 初始化遗传算法参数
%初始化参数
maxgen=100; %进化代数，即迭代次数
sizepop=20; %种群规模
pcross=[0.4]; %交叉概率选择，0和1之间
pmutation=[0.2]; %变异概率选择，0和1之间
lenchrom=[1 1]; %每个变量的字串长度，如果是浮点变量，则长度都为1
bound=[-5 5;-5 5]; %数据范围
indivials=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfitness=[]; %每一代种群的平均适应度
bestfitness=[]; %每一代种群的最佳适应度
bestchrom=[]; %适应度最好的染色体
%% 初始化种群计算适应度值
% 初始化种群
for i=1:sizepop
%随机产生一个种群
indivials.chrom(i,:)=Code(lenchrom,bound);
x=indivials.chrom(i,:);
%计算适应度
indivials.fitness(i)=fun(x); %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(indivials.fitness);
bestchrom=indivials.chrom(bestindex,:); %最好的染色体
avgfitness=sum(indivials.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];
%% 迭代寻优
% 进化开始
for i=1:maxgen
i
% 选择
indivials=Select(indivials,sizepop);
avgfitness=sum(indivials.fitness)/sizepop;
%交叉
indivials.chrom=Cross(pcross,lenchrom,indivials.chrom,sizepop,bound);
% 变异
indivials.chrom=Mutation(pmutation,lenchrom,indivials.chrom,sizepop,[i maxgen],bound);
% 计算适应度
for j=1:sizepop
x=indivials.chrom(j,:); %解码
indivials.fitness(j)=fun(x);
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(indivials.fitness);
[worestfitness,worestindex]=max(indivials.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=indivials.chrom(newbestindex,:);
end
indivials.chrom(worestindex,:)=bestchrom;
indivials.fitness(worestindex)=bestfitness;
avgfitness=sum(indivials.fitness)/sizepop;
trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
end
%进化结束
%% 结果分析
[r c]=size(trace);
plot([1:r]',trace(:,2),'r-');
title('适应度曲线','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
axis([0,100,0,1])
disp('适应度 变量');
x=bestchrom;
% 窗口显示
disp([bestfitness x]);
⑻ 优化算法是什么呢
优化算法是指对算法的有关性能进行优化，如时间复杂度、空间复杂度、正确性、健壮性。
大数据时代到来，算法要处理数据的数量级也越来越大以及处理问题的场景千变万化。为了增强算法的处理问题的能力，对算法进行优化是必不可少的。算法优化一般是对算法结构和收敛性进行优化。
同一问题可用不同算法解决，而一个算法的质量优劣将影响到算法乃至程序的效率。算法分析的目的在于选择合适算法和改进算法。一个算法的评价主要从时间复杂度和空间复杂度来考虑。
遗传算法
遗传算法也是受自然科学的启发。这类算法的运行过程是先随机生成一组解，称之为种群。在优化过程中的每一步，算法会计算整个种群的成本函数，从而得到一个有关题解的排序，在对题解排序之后，一个新的种群----称之为下一代就被创建出来了。首先，我们将当前种群中位于最顶端的题解加入其所在的新种群中，称之为精英选拔法。新种群中的余下部分是由修改最优解后形成的全新解组成。
常用的有两种修改题解的方法。其中一种称为变异，其做法是对一个既有解进行微小的、简单的、随机的改变；修改题解的另一种方法称为交叉或配对，这种方法是选取最优解种的两个解，然后将它们按某种方式进行组合。尔后，这一过程会一直重复进行，直到达到指定的迭代次数，或者连续经过数代后题解都没有改善时停止。
⑼ matlab最优化算法有哪些
matlab最优化程序包括
无约束一维极值问题 进退法 黄金分割法 斐波那契法 牛顿法基本牛顿法 全局牛顿法 割线法 抛物线法 三次插值法 可接受搜索法 Goidstein法 Wolfe.Powell法
单纯形搜索法 Powell法 最速下降法 共轭梯度法 牛顿法 修正牛顿法 拟牛顿法 信赖域法 显式最速下降法， Rosen梯度投影法 罚函数法 外点罚函数法
内点罚函数法 混合罚函数法 乘子法 G－N法 修正G－N法 L－M法 线性规划 单纯形法 修正单纯形法 大M法 变量有界单纯形法 整数规划 割平面法 分支定界法 0-1规划 二次规划
拉格朗曰法 起作用集算法 路径跟踪法 粒子群优化算法 基本粒子群算法 带压缩因子的粒子群算法 权重改进的粒子群算法 线性递减权重法 自适应权重法 随机权重法
变学习因子的粒子群算法 同步变化的学习因子 异步变化的学习因子 二阶粒子群算法 二阶振荡粒子群算法
⑽ 人工萤火虫群优化算法的流程是什么
人工萤火虫群优化算法流程如下：
1.初始化算法基本参数。
2.随机初始化萤火虫的位置，计算萤火虫的目标函数值作为各自最大萤光亮度。
3.计算群体中萤火虫的相对亮度I和吸引度β，根据相对亮度决定萤火虫的移动方向。
4.更新萤火虫的空间位置，对处在最佳位置的萤火虫进行随机扰动。
5.根据更新后萤火虫的位置，重新计算萤火虫的亮度。
6.当满足搜索精度或达到最大搜索次数时则转7.否则，搜索次数增加1，转3，进行下一次搜索。
7.输出全局最优值和个体最优值。