1.完整项目描述和程序获取
>面包多安全交易平台:https://mbd.pub/o/bread/ZJWTmpdw
>如果链接失效，可以直接打开本站店铺搜索相关店铺：
>如果链接失效，程序调试报错或者项目合作也可以加微信或者QQ联系。
2.部分仿真图预览
3.算法概述
PSO算法是一种随机的、并行的优化算法。它的优点是：不要求被优化函数具有可微、可导、连续等性质，收敛速度较快，算法简单，容易编程实现。然而，PSO算法的缺点在于：（1）对于有多个局部极值点的函数，容易陷入到局部极值点中，得不到正确的结果。造成这种现象的原因有两种，其一是由于待优化函数的性质；其二是由于微粒群算法中微粒的多样性迅速消失，造成早熟收敛。这两个因素通常密不可分地纠缠在一起。（2）由于缺乏精密搜索方法的配合，PSO算法往往不能得到精确的结果。造成这种问题的原因是PSO算法并没有很充分地利用计算过程中获得的信息，在每一步迭代中，仅仅利用了群体最优和个体最优的信息。（3）PSO算法虽然提供了全局搜索的可能，但是并不能保证收敛到全局最优点上。（4）PSO算法是一种启发式的仿生优化算法，当前还没有严格的理论基础，仅仅是通过对某种群体搜索现象的简化模拟而设计的，但并没有从原理上说明这种算法为什么有效，以及它适用的范围。因此，PSO算法一般适用于一类高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题。
4.部分源码
............................................................................
%===========================================
[popu,s] = size(swarminit);
[en,n]=size(man);
tracee = ones(1,gen);
tracee(1) = 10000000; % 初始全局最佳适应度设为足够大
for i = 1:s,
bestfit(i) = 10000000; % 初始个体历史最佳适应度设为足够大
end
bestpar = swarminit; % 个体历史最佳粒子初始化
for l=1:swarminitnum,
fitlist(l)=[0];
end
dd1=clock;
%==开始世代循环===============================
for step=1:gen,
for q=1:swarminitnum,
for pop=1:n,
time1(pop)=da(time(pop)/man(swarminit{q}(pop),pop));
end
fitlist(q)=uncode(MM,n,time1,swarminit{q},en);
end% 计算当前粒子群每个粒子的适应度
[minval,sub] = min(fitlist); % 求得这代粒子的适应度最小值及其下标
if(tracee(step) > minval),
tracee(step) = minval;
bestparticle = swarminit{sub};
end
if(step~= gen) ,
tracee(step+1)=tracee(step);% 全局最佳适应度及最佳粒子调整
end
T=0.95*T;
for i = 1:s,
tt=fitlist(i)-bestfit(i);
if (bestfit(i) > fitlist(i))|(min(1,exp(-tt/T))>=rand(1,1)) ,
bestfit(i) = fitlist(i);
bestpar{i} = swarminit{i};
end
end % 个体历史最佳粒子及适应度调整
for j = 1:s,
if (rand(1,1)<w1),
bestpar1{j}=bianyi(bestpar{j},man);
else
bestpar1{j}=bestpar{j};
end
l1=1000;
l2=1;
l3=1000;
l4=1;
while (l1-l2)>n,
m1=fix(n*rand(1,1));
n1=fix(n*rand(1,1));
l1=max(m1,n1)+1;
l2=min(m1,n1)+1;
end
while (l3-l4)>n,
m2=fix(n*rand(1,1));
n2=fix(n*rand(1,1));
l3=max(m2,n2)+1;
l4=min(m2,n2)+1;
end
swarminit{j}=cross(bestpar1{j},swarminit{j},l2,l1);
swarminit{j}=cross(bestparticle,swarminit{j},l4,l3);
end
end
dd2=clock;
sss=dd2-dd1;
if sss(6)<0;
sss(6)=1-sss(6);
sss(5)=sss(5)-1;
end
www=date;
%==输出统计数============================
disp(['粒子数:' int2str(s) ' 循环代数:' int2str(gen)])
disp(['trasce:' int2str(tracee)])
disp(['每个节点的人员:' int2str( bestparticle)])
gant2(MM,man,time,bestparticle);
quxian(tracee);
A357
