【PSO】粒子群优化算法(Particle Swarm Optimization,PSO)理论分析与matlab性能仿真,使用CEC2017测试

 目录

一、PSO粒子群优化理论简介

二、使用matlab实现PSO优化算法

三、测试CEC2017中F1~F5，F11~F15

---

一、PSO粒子群优化理论简介

       PSO算法是一种随机的、并行的优化算法。它的优点是：不要求被优化函数具有可微、可导、连续等性质，收敛速度较快，算法简单，容易编程实现。PSO算法一般适用于一类高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题。

PSO的实现步骤如下：

①初始化群体粒子群的位置和速度，计算适应值

②根据pareto支配原则，计算得到Archive 集(存放当前的非劣解)

③计算pbest

④计算Archive集中的拥挤度

⑤在Archive集选择gbest

⑥更新粒子的速度、位置、适应值

⑦更新Archive集（还要注意防止溢出）

⑧满足结束条件，则结束；否则，转到第③步继续循环。

其中，PSO的主要优化迭代公式如下：

       在PSO中，每个优化问题的解都是搜索空间的一只鸟，我们称之为“粒子”。所有的粒子都有一个被优化的函数决定的适应值，每个粒子还有一个速度决定他们