基于动态粒子群算法的动态环境寻优算

1、.基于动态粒子群算法的动态环境寻优算1、案例背景为了跟踪动态极值，需要对基本的PSO算法进行两方面改进，第一是引入探测机制，使种群或粒子获得感知外部环境变化的能力；第二是引入响应机制，在探测到环境的变化后，采取某种响应方式对种群进行更新，以适应动态环境。基于敏感粒子的动态粒子群算法是一种典型的动态粒子群算法，它在算法初始化时随机选择一个或多个位置，称为敏感粒子，每次迭代中计算敏感粒子适应度值，当发现适应度值变化时，认为环境已发生变化。响应的方式是按照一定比例重新初始化粒子位置和粒子速度。2、案例目录第十六章  基于动态粒子群算法的动态环境寻优算法.16.1理论基础.16.1

2、.1 动态粒子群算法.16.1.2 动态环境.16.2 案例背景.16.3 MATLAB程序实现.16.3.1 动态环境函数.16.3.2 种群初始化.16.3.3 循环动态寻找.16.3.4 仿真结果.16.4延伸阅读.16.4.1 .APSO.16.4.2 .EPSO.16.4.3 TDPSO.16.5 参考文献. 103、主程序% 循环寻找最优点for k = 1:1200k% 新数字地图h = DF1function(X1,Y1,H1,X2(k),Y2(k),H2(k);% 敏感粒子变化for i

3、=1:5*nfitnessTest(i)=h(popTest(i,1),popTest(i,2);endoFitness=sum(fitnessTest);% 变化超过一定范围,重新初始化if abs(oFitness - nFitness)>1index=randperm(20);pop(index(1:10),:)=unidrnd(501,10,2);V(index(1:10),:)=unidrnd(100,10,2)-50;end% 粒子搜索for i=1:Tmaxfor j=1:n% 速度更新V(j,:)=V(j,:)+floor(rand*(popgbest(j,:)-pop(

4、j,:)+floor(rand*(popzbest - pop(j,:);index1=find(V(j,:)>Vmax);V(j,index1)=Vmax;index2=find(V(j,:)<Vmin);V(j,index2)=Vmin;% 个体更新pop(j,:)=pop(j,:)+V(j,:);index1=find(pop(j,:)>popMax);pop(j,index1)=popMax;index2=find(pop(j,:)<popMin);pop(j,index2)=popMin;% 新适应度值fitness(j)=h(pop(j,1),pop(j,2

5、);% 个体极值更新if fitness(j) > fitnessgbest(j)popgbest(j,:) = pop(j,:);fitnessgbest(j) = fitness(j);end % 群体极值更新if fitness(j) > fitnesszbestpopzbest= pop(j,:);fitnesszbest = fitness(j);endendendfitnessRecord(k)=fitnesszbest;fitnesszbest=0;fitnessgbest=zeros(1,20);end4、运行结果