PSO工具箱中,如何添加等式约束条件

首先回答你第一个问题：怎么加入变量的约束条件？

打开遗传算法工具箱的窗体中会有下图所示的选项，即是约束条件的编辑

至于添加的方式，这里要重点的提一下，首先将问题抽象成规划问题的标准形式（如果你不懂什么是标准形式的话，建议你去翻阅运筹学那本书，上告诉你什么是标准形式），然后用矩阵语言写出来，最后将矩阵的系数填写到线性不等约束和线性相等约束中，同时定义所求变量x的上界和下界（记住有多少个变量就有多少列，如果你发现有些条件中没有出现某些变量，那么就应该用0补足，这个是matlab解决规划问题与lingo想比较麻烦的一个地方，）。

然后回答你第二个问题：可否在M文件中添加约束条件？

当然可以，界面的东西是为了方便不熟悉matlab编程的人而设计出来的，但是其底层的算法和接口肯定是有的。

碰到不懂的函数，请记得：help 函数名

help ga 之后会得到一下一些函数

ga

Find minimum of function using genetic algorithm //这个是定义

Syntax // 这个是语法也即是调用的规则

x = ga(fitnessfcn,nvars)

x = ga(fitnessfcn,nvars,A,b)

x = ga(fitnessfcn,nvars,A,b,Aeq,beq)

x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB)

x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon)

x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)

x = ga(problem)

[x,fval] = ga(...)

[x,fval,exitflag] = ga(...)

直接给你将最长的那个吧

x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)

X是返回所求的解

fitnessfcn是适应度函数

nvars是适应度函数中所含变量的维数

A是不等式约束中变量的系数矩阵，b是不等式约束中不含变量的值矩阵

Aeq是等式约束中变量的系数矩阵，beq是等式约束中不含变量的值矩阵

LB是下界，UB是上界

nonlcon 是非线性约束条件

至于options嘛 我也木有用过，其实你也可以不用管的。

懂了木有呢，亲？

约束优化问题的目标是在满足一组线性或非线性约束的条件下，找到使得适应值函数最优的解。对于约束优化问题，需要对原始PSO算法进行改进来处理约束。

一种简单的方法是，所有的微粒初始化时都从可行解开始，在更新过程中，仅需记住在可行空间中的位置，抛弃那些不可行解即可。该方法的缺点是对于某些问题，初始的可行解集很难找到。或者，当微粒位置超出可行范围时，可将微粒位置重置为之前找到的最好位置，这种简单的修正就能成功找到一系列Benchmark问题的最优解。Paquet让微粒在运动过程中保持线性约束，从而得到一种可以解决线性约束优化问题的PSO算法。Pulido引入扰动算子和约束处理机制来处理约束优化问题。Park提出一种改进的PSO算法来处理等式约束和不等式约束。

另一种简单的方法是使用惩罚函数将约束优化问题转变为无约束优化问题，之后再使用PSO算法来进行求解。Shi将约束优化问题转化为最小—最大问题，并使用两个共同进化的微粒群来对其求解。谭瑛提出一种双微粒群的PSO算法，通过在微粒群间引入目标信息与约束信息项来解决在满足约束条件下求解目标函数的最优化问题。Zavala在PSO算法中引入两个扰动算子，用来解决单目标约束优化问题。

第三种方法是采用修复策略，将微粒发现的违反约束的解修复为满足约束的解。

约束满足

PSO算法设计的初衷是用来求解连续问题，，对微粒的位置和速度计算公式进行了重新定义，使用变量和它的关联变量存在的冲突数作为微粒的适应度函数，并指出该算法在求解约束满足问题上具有一定优势。Lin在Schoofs工作的基础上研究了使用PSO算法来求解通用的n元约束满足问题。杨轻云在Schoofs工作的基础上对适应度函数进行了改进，把最大度静态变量序列引入到适应度函数的计算中。

PSO求适应度函数F=f(x1,x2,...,xn)的最小值，如果你想添加比如x1+x2<2这样的不等式，就可以在计算完适应度函数F后，判断变量是否满足你所要求的约束不等式，如果不满足，则可以给适应度函数值加入一个惩罚因子，比如原先函数值是21.5，加入惩罚因子inf（无穷大），就使得适应度函数值变成了无穷大，这就达到了约束的效果；而如果满足约束不等式，就不加入惩罚因子。

就是这样子，不懂追问。