這篇也勉強發到自己的專欄中，算是關於“數學的工程應用”的一篇。

最近在做pso最佳化rbf的時候，發現自己編的pso最佳化神經網路很不理想，於是從mathwork上面下載了pso工具箱，發現實在太好用了。下面簡單介紹一下pso工具箱的使用方法。

首先，下載地址為：

http：//www。

mathworks。com/matlabcen

tral/fileexchange/25986-another-particle-swarm-toolbox

從論壇上看到的。

pso函式形式如下：

［xOpt，fval，exitflag，output，population，scores］ = 。。。

pso（fitnessfcn，nvars，Aineq，bineq，Aeq，beq，LB，UB，nonlcon，options）

各種引數的意義：

輸出變數：

xOpt：最優解

fval：最優值

exitflag ： 終止演算法的原因（達到迭代還是達到誤差要求，等等原因）

output ： 輸出文字（描述了迭代了多少步，計算結果如何，滿足了什麼終止條件blabla）

population ：最終的粒子們的位置

scores ：最終的粒子對應的適應度

輸入變數

fitnessfcn ： 最佳化的目標函式

nvars ： 引數的個數（函式維度）

Aineq ：約束

bineq ：約束

Aeq ：約束

beq ：約束

LB ： 引數取值的下限

UB： 引數取值的上限

nonlcon ：非線性約束

options ：重點！這是一個結構體，迭代步數，種群數量等等都可以透過這個選項設定。

關於options的設定：

可以直接按照結構體的定義方法，例如：options。PopulationSize=……

也可以透過psoptimset設定：

options=psoptimset（……），這個的話有MATLAB官方的介紹，所以不詳細介紹。

pso工具箱裡面的psoptimset與matlab原來自帶的psoptimset函式重複，建議取消自帶psoptimset函式，或者，吧pso工具箱裡面psoptimset函數里面的預設引數設定弄出來，事先定義options的各個要素：

% Default options

options。CognitiveAttraction = 0。5 ；

options。ConstrBoundary = ‘penalize’ ；

options。AccelerationFcn = @psoiterate ；

options。DemoMode = ‘off’ ；

options。Display = ‘final’ ；

options。FitnessLimit = -inf ；

options。Generations = 200 ；

options。HybridFcn = ［］ ；

options。InitialPopulation = ［］ ；

options。InitialVelocities = ［］ ；

options。KnownMin = ［］ ；

options。OutputFcns = {} ；

options。PlotFcns = {} ；

options。PlotInterval = 1 ；

options。PopInitRange = ［0；1］ ；

options。PopulationSize = 40 ；

options。PopulationType = ‘doubleVector’ ；

options。SocialAttraction = 1。25 ；

options。StallGenLimit = 50 ；

options。StallTimeLimit = Inf ；

options。TimeLimit = Inf ；

options。TolCon = 1e-6 ；

options。TolFun = 1e-6 ；

options。UseParallel = ‘never’ ；

options。Vectorized = ‘off’ ；

options。VelocityLimit = ［］ ；

以上就是pso工具箱的使用方法。個人感覺比我自己編的執行速度更快，並且收斂的更快。

最近發現陸陸續續有人收藏這篇文章，還有的就裡面的程式問題來私聊我。非常感謝大家的關注，如果覺得有幫助的話，請多點贊，點贊是精神支援，也是幫助文章得到更大的關注度。