目录

1.算法描述

2.matlab算法仿真效果

3.MATLAB核心程序

4.完整MATLAB

1.算法描述

PSO算法是一种随机的、并行的优化算法。它的优点是：不要求被优化函数具有可微、可导、连续等性质，收敛速度较快，算法简单，容易编程实现。然而，PSO算法的缺点在于：（1）对于有多个局部极值点的函数，容易陷入到局部极值点中，得不到正确的结果。造成这种现象的原因有两种，其一是由于待优化函数的性质；其二是由于微粒群算法中微粒的多样性迅速消失，造成早熟收敛。这两个因素通常密不可分地纠缠在一起。（2）由于缺乏精密搜索方法的配合，PSO算法往往不能得到精确的结果。造成这种问题的原因是PSO算法并没有很充分地利用计算过程中获得的信息，在每一步迭代中，仅仅利用了群体最优和个体最优的信息。（3）PSO算法虽然提供了全局搜索的可能，但是并不能保证收敛到全局最优点上。（4）PSO算法是一种启发式的仿生优化算法，当前还没有严格的理论基础，仅仅是通过对某种群体搜索现象的简化模拟而设计的，但并没有从原理上说明这种算法为什么有效，以及它适用的范围。因此，PSO算法一般适用于一类高维的、存在多个局部极值点而并不需要得到很高精度解的优化问题。

当前针对PSO算法开展的研究工作种类繁多，经归纳整理分为如下八个大类：（1）对PSO算法进行理论分析，试图理解其工作机理；（2）改变PSO算法的结构，试图获得性能更好的算法；（3）研究各种参数配置对PSO算法的影响；（4）研究各种拓扑结构对PSO算法的影响；（5）研究离散版本的PSO算法；（6）研究PSO算法的并行算法；（7）利用PSO算法对多种情况下的优化问题进行求解；（8）将PSO算法应用到各个不同的工程领域。以下从这八大类别着手，对PSO算法的研究现状作一梳理。由于文献太多，无法面面俱到，仅捡有代表性的加以综述。

PSO初始化为一群随机粒子（随机解）。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值（pbest和gbest）”来更新自己。在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。

对于公式（1）：

公式（1）中的第一部分称为记忆项，表示上次速度大小和方向的影响；

公式（1）中的第二部分称为自身认知项，是从当前点指向粒子自身最好点的一个矢量，表示粒子的动作来源于自己经验的部分；

公式（1）中的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，反映了粒子间的协调合作和知识共享。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。

立体仓库基本参数

双排，12列5层，共120个货位，货位尺寸：530×500×350mm，货位承重30kg两排货架间有单立柱堆垛机一台，平运行速度30M/MIN，起升速度15M/MIN，货叉速度15M/MIN，额定载重30Kg

优化目标

要求对出库频率越高的货物，出库时间越短，也就是货位安排在距离出库台越近的位置，对于出入库频率较低的货物，则可以有相对较长的出入库时间。物料分散存放避免因集中存放造成货格受力不均匀的问题。重物在下、轻物在上，使货架更加稳定（重心最小）。以分类存放的货品相关性原则为目标，并先入库的同种货品，在出库时具有优先权，

最后优化的目的就是将拥有上述三种属性的商品进行最优的存放，使得

1.要求对出库频率越高的货物，出库时间越短，也就是货位安排在距离出库台越近的位置，对于出入库频率较低的货物，则可以有相对较长的出入库时间。

2.物料分散存放避免因集中存放造成货格受力不均匀的问题。重物在下、轻物在上，使货架更加稳定（重心最小）。

3.以分类存放的货品相关性原则为目标，并先入库的同种货品，在出库时具有优先权，

然后建立如下的优化目标函数。

2.matlab算法仿真效果

matlaba仿真结果如下：

3.MATLAB核心程序

for j = 1:Bfor k = 1:Cfor i = 1:Aif i == 1Xs= [Xs,L*i];Ys= [Ys,W*j];Zs= [Zs,H*k];endif i == 2Xs= [Xs,L*i+D];Ys= [Ys,W*j];Zs= [Zs,H*k];endendendendfigure;subplot(121);plot3(Xs,Ys,Zs,'bo');hold onfor i = 1:A*B*Cboxplot3(Xs(i),Ys(i),Zs(i),0.8*L,0.8*W,0.8*H,'b'); %乘以0.8方便显示endgrid onxlabel('x');ylabel('y');zlabel('z');title('初始货柜中心三维图（未放货品）');axis equal; axis([-1,3,-1,7,-1,3]);%初始化货品存放效果%货品类别书LB= 2;%每种类别的个数，通过随机化来产生pk= rand(1,LB)/3;mk= 30*rand(1,LB);%初始化各个货品的摆放的坐标位置Num_lb = zeros(1,LB);for i = 1:LB%Num_lb(i) = round(2*rand(1,1))+1;Num_lb(i) = 2;endPOS_index = randperm(A*B*C);%初始化坐标轴for i = 1:LBif i == 1POS_ini{i} = POS_index(1:Num_lb(1));elsePOS_ini{i} = POS_index(sum(Num_lb(1:i-1))+1:sum(Num_lb(1:i))); endend%绘制三维初始摆放效果。subplot(122);func_view();%%%下面开始使用遗传优化算法%根据遗传算法进行参数的拟合MAXGEN = 100;NIND = 4000;Chrom = crtbp(NIND,sum(Num_lb)*10);Areas0 = [0;20];Areas = [];for i = 1:sum(Num_lb)Areas = [Areas,Areas0];endFieldD = [rep([10],[1,sum(Num_lb)]);Areas;rep([0;0;0;0],[1,sum(Num_lb)])];Data1 = zeros(NIND,sum(Num_lb));Data2 = zeros(MAXGEN,sum(Num_lb)); gen = 0;% randperm(A*B*C)for a=1:1:NIND %保证每个数值不一样，tmps = POS_index;Data1(a,:) = tmps(1:sum(Num_lb));%计算对应的目标值epls = func_obj(Data1(a,:));E= epls;J(a,1)= E;endObjv = (J+eps);gen = 0; while gen < MAXGEN; genFitnV=ranking(Objv); Selch=select('sus',Chrom,FitnV); Selch=recombin('xovsp', Selch,0.9); Selch=mut( Selch,0.1); phen1=bs2rv(Selch,FieldD); for a=1:1:NIND if gen == 1tmps = POS_index;Data1(a,:) = tmps(1:sum(Num_lb)); elseData1(a,:) = floor(phen1(a,:))+1;end%计算对应的目标值epls = func_obj(Data1(a,:));E = epls;JJ(a,1) = E;end Objvsel=(JJ); [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel); gen=gen+1; %保存参数收敛过程和误差收敛过程以及函数值拟合结论Error(gen) = mean(JJ);end [V,I] = sort(Objvsel);for i = 1:length(V)L1 = length(Data1(I(i),:));L2 = length(unique(Data1(I(i),:)));if L1 == L2index = I(i);break;endendDatabest = Data1(index,:);02_038m

4.完整MATLAB

V

V