多目标粒子群算法matlab
㈠ MATLAB中粒子群算法定义
你要自己写这个fun_PSOtrain_QNN的算法，神经网络工具箱里没有这个函数
㈡ 粒子群算法解决两个函数的多目标优化的matlab代码。
http://www.doc88.com/p-60698612387.html
http://wenku..com/view/1c27aa8702d276a200292e1e.html
㈢ 用粒子群算法求解线性约束整数规划的Matlab程序
对粒子群的约束问题涉及的比较少。这儿摘抄下网络的内容：
PSO算法推广到约束优化问题，分为两类：（http://ke..com/view/1531379.htm）
（1）罚函数法。罚函数的目的是将约束优化问题转化成无约束优化问题。
（2）将粒子群的搜索范围都限制在条件约束簇内，即在可行解范围内寻优。
第一种方法有相关论文，看了下，感觉比较适合等式约束情况，比较类似于在适应度函数中加入拉格朗日乘子的做法，如果论文下不到的话，请留言。
第二种做法倒是用过。大概讲下。
针对你的问题，初始化两维向量，但是由于存在不等式约束，所以考虑先初始化向量的第一维，然后动态算出第二维的范围，随机出第二维变量。然后就是计算适应度值，全局、局部最优。
更新过程一样，先更新第一维变量，然后动态计算第二维的范围，更新第二维，如果更新后超过了边界，则取边界值（或者也可以再次重新更新，直到满足条件，直觉上感觉第一种还好点，第二种可能会出现无法更新的情况），更新完毕后，计算适应度，更新全局、局部最优解。
补充两个链接吧
http://download.csdn.net/detail/yinjian_2004/1567342
论文：基于改进粒子群优化算法的约束多目标优化
㈣ matlab用粒子群算法求解方程组最优解
这关键是适应度函数的问题，你可以编写如下适应度函数：
F=|E（X1y1+X2y2）-0|+|D（X1y1+X2y2）-1|，F值越小越好，||指的是绝对值。
而变量你就选取X1和X2里的每个元素。比如X1=[x1,x2,x3];X2=[x4,x5,x6];你就可以设置PSO的变量为x1到x6这六个值。
答毕，不懂追问。
㈤ matlab工具箱里moga怎么用
本来想找MOPSO多目标粒子群算法的matlab工具箱的，但是还没找到。只是有人看到用Matlab的MOGA工具箱。
也挺好的，至少可以直接拿过来做MOP多目标问题的求解。
NSGA-II is a very famous multi-objective optimization algorithm. I submitted an example previously and wanted to make this submission useful to others by creating it as a function. Even though this function is very specific to benchmark problems, with a little bit more modification this can be adopted for any multi-objective optimization.
The function is nsga_2(pop,gen). The input arguments for the function are population size and number of generations. For customization purposes the user is free to modify the objective function (function of several decision variables) by modifying an m file (evaluate_objective.m). Couple of sample objective functions is already described in the file. The user also has the freedom to define the decision space.
For more information on NSGA-II visit Kanpur Genetic Algorithm Laboratory at
㈥ 关于matlab中的粒子群问题
蚁群算法。。。。
㈦ 求带约束条件的粒子群算法的MATLAB编程
恩
这个比较简单，可以很容易的做出来
Matlab中提供了两种方法，数值和解析
1.数值解法使用filter函数
对于递推公式
a(1)*y(n)+a(2)*y(n-1)
+
...
+
a(na+1)*y(n-na)
=
b(1)*x(n)
+
b(2)*x(n-1)
+
...
+
b(nb+1)*x(n-nb)
我们可以变成如下
filter(b,a,x，zi)其中a和b就是上面的系数，x是需要计算的n,zi是初值
由于使用filter函数需要信号基础
我们这里不详细说明
2.解析解法就是Z变换
%首先我们要改变递推公式如下，否则没法的到正确结果
%y(n+1)=2y(n),y(0)=-2
L=ztrans(sym('y(n+1)'));%等式左边的Z变换
R=ztrans(sym('2*y(n)'));%等式右边的Z变换
S=L-R
%将初值y(0)带入，我们可以根据y(-1)推出y(0)=-2
%令Y=ztrans(y(n),n,z),y0=y(0)，求解出S中的y(n)的Z变换结果
y0=-2;
s=subs(S,{'ztrans(y(n),n,z)','y(0)'},{'Y',y0});
%求解出y(n)的Z变换结果
Y=solve(s,'Y')
%对Y进行反Z变化
iztrans(Y)
S
=
z*ztrans(y(n),n,z)-y(0)*z-2*ztrans(y(n),n,z)
Y
=
-2*z/(z-2)
ans
=
-2*2^n
㈧ 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');
㈨ 粒子群算法求函数优化的MATLAB程序
我文库中有详细注解的MATLAB粒子群算法程序,你只需改动目标函数和几个参数即可。
希望对你有所帮助
㈩ 我QQ是534193499，想向你请教matlab的粒子群算法
粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。 PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目前已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。