❶ 如何用pso演算法優化離散數據（matlab程序）
如果你是想找一個三階的多項式擬合你的離散數據的話，可以用PSO。
直接用基礎pso就可以，不過你的適應度函數是三維(因為是3階的多項式)，要利用你的數據編一個，常用的話就是差值平方和，就是fitness=(真實值1-多項式計算值1)^2+(真實值2-多項式計算值2)^2+...... 你有13組數據就可以加13次夠了，不過提醒一下，你的每個變數的范圍要注意設置。
如果還有不懂的可以M我，不過我不常在(⊙o⊙)哦，謝謝
❷ pso演算法基於matlab作圖，總群不收斂怎麼回事
在Armadillo解壓文件夾下新建build文件夾，在CMake GUI中進行配置。source路徑選擇Armadillo解壓文件夾，build路徑選擇該文件夾下面新建的build。
點擊」Configure」進行配置，選擇Makefile類型為」Mingw Makefile」，並選擇」Specify native compilers」，單擊」next」。分別設置gcc/g++/gfortran所在的路徑，單擊」Finish」退出即可。
❸ pso演算法代碼怎樣用來參數估計
%標准PSO演算法源代碼（matlab）%標准粒群優化演算法程序%2007.1.9Byjxy%測試函數：f(x,y)=100(x^2-y)^2+(1-x)^2,-2.048pop(i,8)%若當前適應值優於個體最優值，則進行個體最優信息的更新pop(i,7)=pop(i,8);%適值更新pop(i,5:6)=pop(i,1:2);%位置坐標更新endend%計算完適應值後尋找當前全局最優位置並記錄其坐標ifbest_fitness>min(pop(:,7))best_fitness=min(pop(:,7));%全局最優值gbest_x=pop(find(pop(:,7)==min(pop(:,7))),1);%全局最優粒子的位置gbest_y=pop(find(pop(:,7)==min(pop(:,7))),2);endbest_in_history(exetime)=best_fitness;%記錄當前全局最優%實時輸出結果%輸出當前種群中粒子位置subplot(1,2,1);fori=1:popsizeplot(pop(i,1),pop(i,2),'b*');holdon;endplot(gbest_x,gbest_y,'r.','markersize',20);axis([-2,2,-2,2]);holdoff;subplot(1,2,2);axis([0,gen,-0.00005,0.00005]);ifexetime-1>0line([exetime-1,exetime],[best_in_history(exetime-1),best_fitness]);holdon;end%粒子群速度與位置更新%更新粒子速度fori=1:popsizepop(i,3)=rand()*pop(i,3)+c1*rand()*(pop(i,5)-pop(i,1))+c2*rand()*(gbest_x-pop(i,1));%更新速度pop(i,4)=rand()*pop(i,4)+c1*rand()*(pop(i,6)-pop(i,2))+c2*rand()*(gbest_x-pop(i,2));ifabs(pop(i,3))>max_velocityifpop(i,3)>0pop(i,3)=max_velocity;elsepop(i,3)=-max_velocity;endendifabs(pop(i,4))>max_velocityifpop(i,4)>0pop(i,4)=max_velocity;elsepop(i,4)=-max_velocity;endendend%更新粒子位置fori=1:popsizepop(i,1)=pop(i,1)+pop(i,3);pop(i,2)=pop(i,2)+pop(i,4);
❹ 求助：粒子群演算法matlaB程序的一點疑問
%不知道你具體的問題是什麼，下面是一個最基本的pso演算法解決函數極值問題，如果是一些大型的問題，需要對速度、慣性常數、和自適應變異做進一步優化，希望對你有幫助
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
%% 清空環境
clc
clear
%% 參數初始化
%粒子群演算法中的兩個參數
c1 = 1.49445;
c2 = 1.49445;
maxgen=200; % 進化次數
sizepop=20; %種群規模
Vmax=1;%速度限制
Vmin=-1;
popmax=5;%種群限制
popmin=-5;
%% 產生初始粒子和速度
for i=1:sizepop
%隨機產生一個種群
pop(i,:)=5*rands(1,2); %初始種群
V(i,:)=rands(1,2); %初始化速度
%計算適應度
fitness(i)=fun(pop(i,:)); %染色體的適應度
end
%找最好的染色體
[bestfitness bestindex]=min(fitness);
zbest=pop(bestindex,:); %全局最佳
gbest=pop; %個體最佳
fitnessgbest=fitness; %個體最佳適應度值
fitnesszbest=bestfitness; %全局最佳適應度值
%% 迭代尋優
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;
%種群更新
pop(j,:)=pop(j,:)+0.5*V(j,:);
pop(j,find(pop(j,:)>popmax))=popmax;
pop(j,find(pop(j,:)<popmin))=popmin;
%自適應變異（避免粒子群演算法陷入局部最優）
if rand>0.8
k=ceil(2*rand);%ceil朝正無窮大方向取整
pop(j,k)=rand;
end
%適應度值
fitness(j)=fun(pop(j,:));
%個體最優更新
if fitness(j) < fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
%群體最優更新
if fitness(j) < fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i)=fitnesszbest;
end
%% 結果分析
plot(yy)
title(['適應度曲線 ' '終止代數＝' num2str(maxgen)]);
xlabel('進化代數');ylabel('適應度');
❺ pso演算法的matlab程序
%------基本粒子群優化演算法（Particle Swarm Optimization）-----------
%------名稱：基本粒子群優化演算法（PSO）
%------作用：求解優化問題
%------說明：全局性，並行性，高效的群體智能演算法
%------初始格式化--------------------------------------------------
clear all;
clc;
format long;
%------給定初始化條件----------------------------------------------
c1=1.4962; %學習因子1
c2=1.4962; %學習因子2
w=0.7298; %慣性權重
MaxDT=1000; %最大迭代次數
D=10; %搜索空間維數（未知數個數）
N=40; %初始化群體個體數目
eps=10^(-6); %設置精度(在已知最小值時候用)
%------初始化種群的個體(可以在這里限定位置和速度的范圍)------------
for i=1:N
for j=1:D
x(i,j)=randn; %隨機初始化位置
v(i,j)=randn; %隨機初始化速度
end
end
%------先計算各個粒子的適應度，並初始化Pi和Pg----------------------
for i=1:N
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
pg=x(1,:); %Pg為全局最優
for i=2:N
if fitness(x(i,:),D)<FITNESS(PG,D)< span>
pg=x(i,:);
end
end
%------進入主要循環，按照公式依次迭代，直到滿足精度要求------------
for t=1:MaxDT
for i=1:N
v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));
x(i,:)=x(i,:)+v(i,:);
if fitness(x(i,:),D)<P(I)< span>
p(i)=fitness(x(i,:),D);
y(i,:)=x(i,:);
end
if p(i)<FITNESS(PG,D)< span>
pg=y(i,:);
end
end
Pbest(t)=fitness(pg,D);
end
%------最後給出計算結果
disp('*************************************************************')
disp('函數的全局最優位置為：')
Solution=pg'
disp('最後得到的優化極值為：')
Result=fitness(pg,D)
disp('*************************************************************')
%------演算法結束---DreamSun GL & HF-----------------------------------
適應度函數源程序（fitness.m）
function result=fitness(x,D)
sum=0;
for i=1:D
sum=sum+x(i)^2;
end
result=sum;
❻ 求教PSO演算法優化函數的matlab程序，比如sphere、schaffer、rosenbrock、rastrigin、shubert函數，
呵呵，其實，如果你想知道的MATLAB功能的作用，最好是約幫助下，慢慢的你會發現它非常強大。
中國
幫助唄，那你相信的事實是錯誤的
幫助腹肌
ABS絕對值。
ABS（X）為X的元素的絕對值時
X是復雜的，ABS（X）為
的復數模量（幅度）十
的元素，這是它的作用，它僅僅是絕對值，例如ABS（-1）= 1，ABS（2）= 2。