使用AFO算法以及其他GA和PSO算法求解不确定多式联运路径优化问题。同时和MATLAB自带的全局优化搜索器进行对比。 直接运行main.m 需要matlab2021及以后版本。 考虑不确定性的模糊多式联运路径优化研究，可以在满足运输方案经济环保双重要求的同时，增强运输 方案的鲁棒性，提高企业的抗风险能力。本文建立了模糊需求和模糊运输时间下低碳低成本多式联运路径优化模 型，针对连续型元启发式算法无法直接求解离散型组合优化模型的问题，设计了基于优先级的通用编码方式；在 此基础上，为进一步提高算法的求解质量，提出了带启发式因子的特殊解码方式。

本文件是作者自己学习pso算法时的源代码，可以配合作者发布的两个学习笔记学习。 文件包含了5个文件，pso_class2是基本的pso算法，适合初学者阅读，是第一个笔记的代码文件。 PSO是函数文件，pso1,pso2分别是调用PSO函数的文件，体现了函数的便捷利用。是pso_class2的升级版本，对应了第二个PSO学习笔记部分。其中pso2是收敛pso公式。 Sphere函数文件时测试函数，可以替换成其他测试函数。 针对以上的文件，读者可以自己修改参数，多敲代码，多思考设计思路，相信你会有所收获。欢迎留言，一起交流学习经验，遇到问题也可以一起讨论

针对标准粒子群算法(PSO)全局与局部搜索能力相互制约的缺点,提出一种带有独立局部搜索机制、多区域搜索策略和渐近收敛能力的新型PSO算法(ILS-PSO).设计新的简化参数的全局搜索公式、非劣解邻域局部搜索公式和当前最优解邻域深度搜索公式,使算法具备独立的全局与局部搜索能力.通过参数xi$和\lambda$ 协调算法的全局与局部搜索能力,以实现算法的多区域搜索和渐近式收敛.典型函数及其偏移函数的对比测试结果表明,ILS-PSO算法具有良好的优化性能,其综合性能优于其他对比算法.

matlab2018b函数代码

算法优化

自适应粒子群优化是一种优化算法，它是粒子群优化（Particle Swarm Optimization，PSO）的一种变体。与传统的PSO不同，APSO使用自适应策略来调整算法的参数，以提高算法的性能和收敛速度。 APSO的主要思想是根据群体的收敛情况动态调整算法的参数。APSO的核心算法与PSO类似，由粒子的速度和位置更新规则组成。每个粒子通过与局部最优解和全局最优解比较来更新自己的位置和速度。 APSO的另一个关键之处是学习因子的自适应调整。在每个迭代中，APSO会计算每个粒子的适应度值。如果适应度值的方差较小，则学习因子的值会变小，以便更加收敛到最优解。相反，如果适应度值的方差较大，则学习因子的值会变大，以便更好地探索解空间。

背包问题PSO（粒子群算法，Particle Swarm Optimization）基本算法代码，仅供参考

用MATLAB编写测试函数的五种PSO改进算法

1、多元回归_LSTM结合PSO算法实现PSO-LSTM多输入单输出(Matlab完整源码+数据) 2、代码运行测试环境为MATLAB2020b，MATLAB实现PSO-LSTM多输入单输出预测。

测试函数shubert是周期测试函数，拥有多个全局最优解，单周期内拥有一个全局最优解，粒子群算法具有收敛速度快，参数设置简单，容易理解的特点，用粒子群算法求解shubert函数，效果较好