自适应参数寻优短期车流量预测.pdf

粒子群算法是一种基于群体智能的优化算法。对于无约束的非线性函数极值寻优问题，采用粒子群算法进行解决，快速、准确且鲁棒性好。

神经网络遗传算法函数极值寻优-非线性函数极值-神经网络遗传算法函数极值寻优-非线性函数极值-神经网络遗传算法函数极值寻优-非线性函数极值源程序

针对导向矢量失配程度较大时,常见稳健波束形成算法性能下降问题,提出了一种迭代搜索最优导向矢量的稳健波束形成算法。首先利用修正后的导向矢量构造使波束输出功率最大的目标函数,分别从干扰抑制和噪声抑制2个方面推导了新导向矢量应满足的约束条件。给出了利用矩阵滤波思想构造约束条件的方法并分析其合理性。针对优化问题难以求解的问题,提出了一种迭代寻优的搜索方法,将每次迭代转化为求解一次二阶锥规划问题。仿真分析表明,相比于常见稳健波束形成算法,该算法有更高的抗导向矢量失配的稳健性,且需要的先验信息更容易获取。

粒子群优化算法的核心思想是每个粒子根据自己和周围粒子的“信息共享”寻优，达到全空间搜索最优解的目的。收敛速度快，全局寻优能力强。针对基本粒子群算法寻优精度较低，结果易发散的缺点，提出了一种参数自适应调整和边界条件约束的粒子群算法，惯性权重，学习因子随着迭代过程线性递加或递减，从而在算法初期个体能搜索整个空间，后期能够朝着全局最优值收敛而找到全局最优值。同时设置粒子边界条件约束，保证算法寻优解的准确性。理论分析和数值仿真结果表明了所设计方法的高效性，在保证算法效率的前提下，有效地提高了算法的寻优精度。

2．6．3爬山算法的寻优过程 爬山算法的寻优过程是指在算法迭代过程中，其解的质量随搜索次数的增 加而不断提高的过程。在爬山算法中，每次迭代只执行一次邻域操作，即搜索 次数与迭代步数相等。通过爬山算法的寻优过程，可以看出算法的寻优结果与 搜索次数的关系。 由于爬山算法计算的随机性，每次计算的寻优过程也各不相同。例如，2．5 中用爬山算法对实例2．1的第3次求解的寻优过程如图2．3所示；对实例2．2的 第lO次求解的寻优过程如图2．4所示。 幽2．3用爬山算法求解实例2．1时的寻优过程图 图2．4用爬山算法求解实例2．2时的寻优过程图 由图2．3和图2．4可以看出：爬山算法具有很快的收敛速度，该算法可在较 少的搜索次数内得到问题的最优解或可行解。该算法在搜索的初期，解的质量 提高很快，而随着迭代次数的增加，解的质量的改进速度逐渐放缓，当迭代到 一定的步数后，解的质量不再提高，说明算法已经收敛到一个局部最优解。

本资源为使用蚁群算法来优化路径，并使用在具体的旅行商问题上，主函数将寻优过程和收敛曲线绘图显示

蚁群算法解决31城市的TSP问题，已检查，能够在Matlab上完美展现。

MATLAB实现粒子群算法，可以看到寻优的过程。并且在每句后都有注解。

基于鱼群算法的函数寻优算法，结合具体的案例给出了程序分析