模拟退火 遗传算法 粒子群算法 鲁棒性强

粒子群优化算法（ Particle Swarm Optimization ， PSO ） [7] 是由 R.C.Eberhart 博士和心 理学家 J.Kennedy 博士在 1995 年提出的一种新兴的群体智能的启发式全局搜索算法。粒 子群算法是运用微机模拟自然界中飞禽捕食的行为，在模拟的过程中群体中的每一动物 称为微粒。粒子群算法的主要是通过研究群体中微粒之间的怎样信息共享才能更快的找 到食物，在具体的过程中群体的每个微粒都有自己的飞行速度和空间位置，当群体中微 粒发现食物时向群体传递信息，如果有多个微粒都发现了自己的食物则通过群体的优化 来确定那个微粒的食物是最佳的选择，以确定整个群体的下一步动作。在优化算法的过 程中每个微粒自身的最佳空间位置和飞行速度称为个体最优位置（ pbest ），在整个群体 中有一个微粒的位置是全局中的最佳位置称为全局最优（ gbest ），粒子群应用于解决多 个目标时通常选取全局最优作为群体的最佳方案。

Matlab模拟退火算法-模拟退火.zip 模拟退火算法程序 matlab 所含文件： Figure29.jpg 结果： Figure28.jpg

模拟退火遗传算法-模拟退火遗传算法.rar 模拟退火遗传算法优化一个函数，函数形式和最优值如下，用模拟退火使算法具有反向搜索能力，能够跳出局部最优值

1．设计一个文件保存地图信息，地图中标明各个城市之间是否有路及它们的距离。 2．利用图形展示地图信息。 3．手工输入起始城市 4．用红线标出从起始城市开始遍历所有城市的最短路径

用MATLAB语言编写tsp问题程序并仿真求解遍历34座城市最短路径。 1模拟退火首先从某个初始候选解开始，当温度大于0时执行循环。 2.在循环中通过随机扰动产生一个新的解，然后求得新解和原解之间的能量差，如果差小于0，则采用新解作为当前解。 3.如果差大于0，则采用一个当前温度与能量差成比例的概率来选择是否接受新解。温度越低，接受的概率越小，差值越大，同样接受概率越小。是否接受的概率用此公式计算：p=exp(-ΔE/T)。这里ΔE为新解与原解的差，T为当前的温度。由于温度随迭代次数逐渐降低，因此获得一个较差的解的概率较小。

此程序用MATLAB语言编写，携带功能菜单，可以自主测试并求解最短路径问题。

模拟退火法matlab程序，包括主函数，目标函数。修改目标函数求取最小值

以优化SVM算法的参数c和g为例，对SA（模拟退火）算法MATLAB源码进行了逐行中文注解。是很好的学习材料。

该程序可以在窗口里用鼠标随意点击来产生不同的“城市”，最短距离也是直观的连线表示，简单易用。热心提醒：模拟退火法在该程序中没有单一的退火方向，等同于随机遍历，你可以自己想办法设置退火方向，我还没想出来怎么办╮(╯▽╰)╭