粒子群算法的寻优算法——非线性函数极值寻优 实验体会

通过老师对算法代码的简单介绍，我对于粒子寻优算法结构有了一个大致的了解

1. pso算法c1、c2、w的组合测试：

首先根据老师说的原则，c1从小变到大，c2从大变到小，权重w先从大的开始，惯性大的冲得快，后期再往小改。
初始值：

之后再用公式来表示各变量以达到实验目的：

运行算法，可以看到最优解已经浮出水面：
接着我们可以再运行九次以求其最佳迭代次数均值：

416+997+477+648+245+856+286+380+423+586=5314
5314/10=531.4 为最佳迭代次数
即当
c1=-0.001 * maxgen+1.5=-0.001 * 531.4+1.5= 0.9686
c2=0.0005 * maxgen+1=0.0005 * 531.4+1=1.2657
w=-0.0007 * maxgen+0.9=-0.0007 * 531.4+0.9=0.52802
时更接近于寻得最优解
结果测试：

2.pso算法dim与sizepop的组合测试：

初始值：

在现有维度上改变种群规模：
200->400->800->1000->10000

经过多次试验可以确定当种群规模增加到400时，寻找到最优解的迭代次数多数处于200-300次之间，偶尔会迭代到900多次以上。

到800时：

可以明显感觉到迭代时速度的力不从心，虽然收敛速度较快，集中在100-200次之间。

1000时

可以看到实验结果很不稳定，但多集中于300-400之间

10000时

当种群规模达到10000，它找到最优解的速度非常之快，，尤其前期最优适应度跌落的幅度很大，但迭代的十分缓慢，所以在得出结果时我就暂停了…
下面就看看维度下降会产生什么影响

可以看到，当维度降为8时，最优适应度跌落的更快，能更快找到最优解。
将种群规模降为1000，再继续观察

可以看到基本在100次以内能查找到最优解。
再将维度降低

基本几乎在50次以内可以得出最优解。
由此，可以得出结论，种群规模不变，维度越低查找到最优解的速度越快，维度不变，种群规模越大越易于查找到最优解。