粒子群算法ansys的案例
常用參數(shù)自動標(biāo)定算法總結(jié)（單純形，遺傳算法，貝葉斯優(yōu)化算法，粒子群算法等）
在本推文中介紹四類常用參數(shù)自動標(biāo)定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優(yōu)化ego方案。
單純形方案實現(xiàn)最簡單，適用于少參數(shù)，更窄的初始區(qū)間
粒子群方案，遺傳算法方案適用于多參數(shù)更大的空間適合全局搜索
ego方案相比于其余三類方案的優(yōu)勢體現(xiàn)為
EGO使用代理模型（如高斯過程回歸）來預(yù)測目標(biāo)函數(shù)，極大減少了實際函數(shù)評估次數(shù)。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態(tài)平衡比GA中盲目變異與交叉更具理論指導(dǎo)。
由于EGO最大化信息利用率，在樣本數(shù)量極少的情況下表現(xiàn)優(yōu)于GA。
當(dāng)樣本數(shù)量少，且有約束優(yōu)化時適合使用ego方法。例如在評估晶體塑性模型參數(shù)時
不過這些優(yōu)化算法經(jīng)常容易陷入局部最優(yōu)，即優(yōu)化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進(jìn)行微小改進(jìn)，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進(jìn)行初始搜索，使用ego回歸分析進(jìn)行特定區(qū)間的優(yōu)化，最后使用NM方案進(jìn)行小區(qū)間尋找，如果陷入局部最優(yōu)解，引入全局?jǐn)_動方案或者爆炸方法跳出局部區(qū)間重新搜索即可。
基于該思路編寫對應(yīng)的程序，實現(xiàn)參數(shù)的自動標(biāo)定過程：
這里實現(xiàn)對vpsc模型的復(fù)雜參數(shù)自動標(biāo)定；
這里使用相對復(fù)雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統(tǒng)考慮tau_0,tau_s,h_0,一共12個待標(biāo)定參數(shù)給定參數(shù)區(qū)間如下
設(shè)置最大迭代次數(shù)為2000次，初始優(yōu)化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優(yōu)化算法。
展開 一本優(yōu)化方面的不錯的書（有粒子群算法和遺傳算法）
180
12.3 路徑跟蹤法 184
12.4 MATLAB優(yōu)化工具箱函數(shù)應(yīng)用實例 187
12.5 小結(jié) 190
第3篇 優(yōu)化計算高級篇 191
第13章 粒子群優(yōu)化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權(quán)重改進(jìn)的粒子群算法 200
13.4.1線性遞減權(quán)重法 200
13.4.2自適應(yīng)權(quán)重法 203
13.4.3隨機權(quán)重法 206
13.5學(xué)習(xí)因子改進(jìn)的粒子群算法 208
13.5.1同步變化的學(xué)習(xí)因子 209
13.5.2異步變化的學(xué)習(xí)因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結(jié) 230
第14章 遺傳優(yōu)化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數(shù)標(biāo)定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應(yīng)遺傳算法 245
14.7雙切點交叉遺傳算法 248
14.8多變異位自適應(yīng)遺傳算法
展開 11基于matlab的多目標(biāo)粒子群算法，MOPSO,引導(dǎo)種群逼近真實Pareto前沿，算法運行結(jié)束后 ￥29.9
基于matlab的多目標(biāo)粒子群算法，MOPSO,引導(dǎo)種群逼近真實Pareto前沿，算法運行結(jié)束后將外部存檔中粒子作為獲得的Pareto最優(yōu)解近似。程序已調(diào)通，可以直接運行。
251 基于matlab的動態(tài)粒子群算法 ￥9.9
基于matlab的動態(tài)粒子群算法。普通粒子群算法無法感知外界環(huán)境的變化，在外界環(huán)境發(fā)生改變時無法實時進(jìn)行響應(yīng)，因而缺乏動態(tài)環(huán)境尋優(yōu)能力。在普通粒子群算法基本上通過增加敏感粒子得到一種動態(tài)粒子群算法，該算法通過實時計算敏感粒子的適應(yīng)度值從而感知外界環(huán)境的變化，當(dāng)外界環(huán)境的變化超過一定的閾值時算法以按一定比例更新速度和粒子的方式進(jìn)行相應(yīng)，從而具有動態(tài)環(huán)境尋優(yōu)的功能。程序已調(diào)通，可直接運行。
基于pytorch的多目標(biāo)粒子群算法 ￥59.9
基于pytorch的多目標(biāo)粒子群算法，MOPSO,引導(dǎo)種群逼近真實Pareto前沿，算法運行結(jié)束后將外部存檔中粒子作為獲得的Pareto最優(yōu)解近似。程序已調(diào)通，可以直接運行，標(biāo)價為程序價格，不包含售后。程序保證可直接運行。
MATLAB粒子群（PSO）優(yōu)化算法程序集合
MATLAB粒子群（PSO）優(yōu)化算法程序集合
PSO算法就是模擬一群鳥尋找食物的過程，每個鳥就是PSO中的粒子，也就是我們需要求解問題的可能解，這些鳥在尋找食物的過程中，不停改變自己在空中飛行的位置與速度。大家也可以觀察一下，鳥群在尋找食物的過程中，開始鳥群比較分散，逐漸這些鳥就會聚成一群，這個群忽高忽低、忽左忽右，直到最后找到食物。這個過程我們轉(zhuǎn)化為一個數(shù)學(xué)問題。尋找函數(shù)y=1-cos(3*x)*exp(-x)的在[0,4]最大值。該函數(shù)的圖形如下：
在交錯并聯(lián)變換器的設(shè)計中，若想得到優(yōu)良的紋波特性和響應(yīng)功能，各支路的交錯觸發(fā)脈沖需設(shè)計合理。
當(dāng)x=0.9350-0.9450，達(dá)到最大值y=1.3706。為了得到該函數(shù)的最大值，我們在[0，4]之間隨機的灑一些點，為了演示，我們放置兩個點，并且計算這兩個點的函數(shù)值，同時給這兩個點設(shè)置在[0，4]之間的一個速度。下面這些點就會按照一定的公式更改自己的位置，到達(dá)新位置后，再計算這兩個點的值，然后再按照一定的公式更新自己的位置。直到最后在y=1.3706這個點停止自己的更新。這個過程與粒子群算法作為對照如下：
這兩個點就是粒子群算法中的粒子。該函數(shù)的最大值就是鳥群中的食物，計算兩個點函數(shù)值就是粒子群算法中的適應(yīng)值，計算用的函數(shù)就是粒子群算法中的適應(yīng)度函數(shù)。
展開 粒子群算法對爆炸成型彈丸EFP速度進(jìn)行優(yōu)化計算
算法流程：
設(shè)置目標(biāo)函數(shù)和約束條件：
裝藥長徑比在0.8-1.2
藥型罩厚度和裝藥直徑的比值在0.02-0.04
以EFP速度為目標(biāo)函數(shù)
基于粒子群優(yōu)化算法的六自由度機械臂三維空間避障規(guī)劃
路徑輸出：算法迭代終止后，輸出全局最優(yōu)粒子所代表的路徑，即為從起始點到目標(biāo)點的最優(yōu)避障路徑。
通過上述步驟，粒子群優(yōu)化算法可以有效求解三維空間內(nèi)的機械臂避障路徑規(guī)劃問題，實現(xiàn)從起始點到目標(biāo)點的最短路徑規(guī)劃，并確保路徑不與障礙物相交。最終，筆者基于上述的粒子群優(yōu)化算法編寫了MATLB代碼，其三維避障路徑規(guī)劃實驗結(jié)果如圖3所示。
