问题标签 [particle-swarm]

我必须模拟一种化学现象。为此，我决定使用方形网格，在其中放置“条”：

（条形以绿色表示）。网格和条形可以具有可变尺寸。条可以是水平的或垂直的，并且网格是周期性的，即第一行的第一个正方形被认为紧挨着第一行的最后一个正方形。此外，柱的数量是可变的（真的是可变的，我会说从 20 到 200）。

我的目标是模仿一些“最小化交互”。基本上，每个酒吧都需要尽可能远离其他酒吧。更准确地说，绿色方块之间的距离需要最大。我需要一种方法来找到最佳定位。

但我不知道该怎么做。如果条形图是单个正方形，我想我会使用某种蛮力，并且我会计算每种可能性的所有正方形之间的距离。但我不确定这是不是好方法，当然也不适用于这里。

你对如何做到这一点有任何想法吗？

目的：使用 PSO 检测图像中的边界

我拍摄了一张图像 img ，应用了 PSO（使用的函数 - 渐变）并获得了给定的结果。

这样做的问题是获得了具有可能边缘的像素（很明显，因为使用了梯度函数）。我想将阈值应用于以粒子本身为中心的 5x5 窗口中为每个粒子获得的梯度值。这是结果

只要原始图像不包含任何纹理，这似乎就可以正常工作。但是，只要图像中有类似纹理的存在，就会失败。您能帮我解决使用 PSO 定位后获得的粒子如何处理吗？

假设我有一个包含 N 个自然数的集合 S 和该集合的 N 个子集（S1，S2，...Sn）。我想生成 2 个子集 D1 和 D2（D1 + D2 = S，D1 和 D2 没有公共元素），以便 D1 和 D2 不包含任何 N 个子集。

快速示例：

S = 1 2 3 4 5

S1 = 1 4

S2 = 1 2

S3 = 1 2 3

S4 = 1 2 3 4

S5 = 1 2 4

D1 = 1 3 5

D2 = 2 4

我的第一个想法是粒子占据的位置将描述元素的选择方式（假设位置是一个包含 N BYTE 元素的数组，如果 position[i] 为 1，则 Set[i] 在 D1 中，2 在 D2 , 为了简单起见）。

解决方案的适应度可以是 N - 解决方案中包含的初始子集的数量。

但是速度会是多少？我无法弄清楚这部分的事实使我认为也许我需要以另一种方式表示该位置，但同样，我找不到会使情况过于复杂的东西。

我对理论答案更感兴趣。我应该以什么方式表示数据以及为什么。

我是这个 PSO 的新手，所以任何关于这个主题的好读物（初级）都会受到赞赏。

我对使用 PSO 算法解决交通问题有疑问。假设我们有 n 辆车（这里只限于四辆车）这些车辆有相同的目的地。他们有不同的起始城市。（假设我们知道他们的位置（x，y）） D：起始城市和目的地之间的距离。d：它在耗尽气体之前可以行驶的最大距离。D >> d : 每辆车必须加油 N 次 N=D/d 每辆车应该遵循的路径是不确定的。任务：我们正在寻找最少数量的加油站，这样每辆车都不会抛锚（当然是因为汽油）。加油站的数量是多少，它们的位置是什么。

如何应用具有从 PSO 算法指定的确定集群位置的 KMEANS 算法？

大家好，我编写 pso 代码来优化一个简单的函数。它没有问题。现在我想用 pso 解决 tsp 问题。例如，群向量内容为 [1 2 4 3 1]，最佳群向量为 [2 3 1 4 2]。当我想更新 [1 2 4 3 1] 的新值时，值类似于 [1.2 2.3 3.8 3.4 1.2]。这不是正确或不可接受的答案。我怎样才能将这个答案映射到一个真实的答案？如果您有此问题的一些来源，请分享。
（我的代码使用 matlab）。提前致谢

我在 MATLAB 上运行粒子群优化，我使用 excel 文件作为我的输入（温度、时间、需求等）。

我正在使用 Matlab R2014a、Windows7、MS Office 2013

我的输入文件是这样导入的：

但是，当我增加代码的总体数量和迭代次数以获得更好的结果时，有时会出现以下错误：

我有许多代理（例如 6 个或 8 个），我想用 boids 算法将它们对齐为圆形。代理的全局位置是未知的，但每个代理都知道其他代理相对于自己的位置。代理也可以更新职位。我怎样才能将它们对齐为一个圆圈？如果您需要更多信息，请发表评论。

我正在研究一个使用 Pyswarm 的粒子群优化的光谱拟合程序。适应度函数只是基本微波光谱与 PSO 中每个粒子的光谱之间的图像相似度得分。粒子的参数是旋转常数 A、B、C。

我的问题是每个粒子都需要 A>B>C。鉴于 Pyswarm 实现的格式，我将如何设置这些参数约束？

链接到 pyswarm 网站

我正在做一个人工智能领域的游戏类项目；其中我使用 PSO 算法让敌人找到玩家的位置。这是我的问题：

如何优化 PSO 以找到一个非静态且不断变化的目标？

我想在这个游戏的不同关卡中实现一些群体智能算法。