针对惯性权重改进策略大多采用同代粒子使用相同权重,忽略了粒子本身特点以及不同维上的有效信息,提出一种基于不同粒子不同维的动态自适应惯性权重粒子群算法(AWPSO)。在该算法中利用矢量运算分析粒子进化公式,用一种新的方法构造惯性权重公式,使惯性权重随不同代不同粒子不同维动态改变,加快粒子收敛速度和全局搜索能力。通过对7个典型测试函数的测试结果表明,AWPSO在收敛速度,收敛精度,全局搜索能力方面比线性惯性权重粒子群算法(LDIWPSO)均有不同程度上的提高。

粒子群算法

粒子群优化算法是一种基于群体智能的随机全局优化技术,尽管其原理简单易、于实现且功能强大,但目前研究人员还没有对它的工作原理做出足够的解释。将群体优化过程看成一个动态系统的演变,采用线性离散时间系统的分析方法对算法的收敛性进行了分析,导出了简化PSO算法的收敛条件。考虑到参数是影响算法性能和效率的关键因素,利用标准测试函数对算法的参数选择进行了详细的分析,并给出一些指导性原则。

仿真实例 天线阵列方向图的设计目标：主瓣宽度10°（第一零陷宽度），要求方向图在 40°、45°、50°、55°、60°生成-90dB的零陷，旁瓣电平-15dB以下（使用吸收边界条件） 具体的算法参数设置和优化结果: 算法中种群的大小设置为 60,每个粒子的维数为 64(其中前32位表示激励幅度大小, 后 32 位表示激励相位大小)，适应度函数包括副瓣区的电平高低和两个零深区的电平高低。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

该工具箱提供了粒子群优化 (PSO) 方法 “Main”脚本说明了 PSO 如何使用基准数据集解决特征选择问题的示例。 ****************************************************** ****************************************************** **********************************

具有邻域搜索的多样性增强粒子群优化

基础粒子群matlab代码，附带详细步骤说明

显然，这并不是什么新鲜事。 您可以使用Matlab的fminsearch（）或“曲线拟合工具箱”。 还有许多其他选择，例如适用于Matlab的EzyFit，Scilab的优化工具，Octave的优化工具等。但是，只要您当前的工具使用基于梯度的方法，在非凸问题。 然后，选择这一点是您不那么容易的工作。 前段时间，当我试图识别晶体管、二极管和散热器的热瞬态阻抗的 Foster 类型表示时，我发现这项任务非常具有挑战性。 所以我已经切换到PSO。 此脚本说明了现实生活中 IGBT 开关的三阶 Foster 型 RC 梯形网络的演化识别。 我希望您会发现对于您在工程实践中遇到的任何曲线拟合任务进行修改都很容易。 需要注意的是，无梯度曲线拟合并不是什么新鲜事，基于 PSO 的曲线拟合在这里也不例外。 这只是对该方法的另一种解释。