本文介绍了粒子群优化算法（PSO）的基本原理，并详细阐述了智慧型自适应粒子群优化算法（SAPSO），其通过调整学习因子c1和c2以增强种群寻优能力。SAPSO在局部和全局搜索之间取得平衡，提高了算法性能。此外，文中还对比了其他几种粒子群优化算法，并提供了流程图和仿真实验结果。读者可以通过后台回复关键词获取相关代码和清晰图。
1.写在前面
该系列为改进智能优化算法，欢迎私信一起交流问题，更多的改进算法可查看往期的推文。有问题或者需要其他建议的话，非常欢迎后台私信交流，共同进步，如若出现违反学术道德的情况与本博客以及作者无关，所有资料仅做参考。
PS1:推文仅做参考学习，具体原理以及数学模型自行学习改进！！！
PS2:有代码不讲解均附上相关的注释
PS3:本号支持知识付费，很多都是学生关注的哈
PS4:动手点一点喔。
推文相关代码后台回复关键词获取，代码本身不值钱，值钱的是思想，欢迎大家后台私信留言。
2.智慧型自适应粒子群优化算法
粒子群算法大家也都极其熟悉了，粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统(Multiagent Optimization System, MAOS)。
PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。迭代过程中，粒子位置和速度更新方式如下：
2.1 智慧型自适应粒子群原理（SAPSO）
核心原理：在改变c1和c2学习因子的调节方式下提高种群的寻优能力（实则就是进行一个参数微调，非线性、指数、对数等方式，类似于敏感性分析）
当 c1大于 c2 时，粒子往往具有较强的局部搜索能力。相反，当 c2 大于 C1 时，粒子具有较强的全局搜索能力。
这种分组策略在黑猩猩优化算法也得到了一定的拓展（后面会出一期使用这种分组策略改进的黑猩猩优化算法）
2.2 其余几种对比粒子群优化算法
3.流程图及仿真实验
4.代码及清晰图获取方式
后台回复：智慧型自适应粒子群优化算法
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
