粒子群优化算法实验：种群大小与迭代次数的影响分析

"自动化1903-卢韬-20194127-实验三1，探讨了粒子群算法（PSO）在不同种群大小和迭代次数下的性能，通过衰减速率分析了大种群的搜索优势，并采用对数坐标系改善了可视化效果，便于比较不同参数下的算法表现。实验中使用了30维的测试函数，并通过类封装优化了算法实现，避免了全局变量带来的问题。" 在本次实验中，卢韬同学深入研究了粒子群优化算法（PSO）在解决连续函数最优化问题的应用。PSO是一种基于群体智能的优化方法，模仿了鸟群或鱼群的集体行为来搜索解决方案空间。在实验中，卢韬选择了30维的多变数扩展测试函数，以模拟离散概率情况下的复杂问题。 实验的核心是对比不同参数设置对算法性能的影响。卢韬同学选取了粒子个数分别为50、100和300，以及迭代次数为100、500和1000的组合，以观察PSO算法寻找最优解的过程。他发现较大的种群规模（粒子数量）往往能提供更持久的搜索能力，这在图（2，1）和图（2，3）中得到了清晰的体现。 在可视化方面，卢韬同学注意到在标准坐标系下，由于搜索范围的巨大差异，不同参数下的算法性能难以直观比较。因此，他采用了对数坐标系，通过对数据进行对数化处理，使得在纵轴上采用对数尺度，有效地分离了不同参数的下降曲线，使算法性能的差异更加明显。然而，他也指出，对数坐标系可能掩盖了执行后期斜率相近的曲线之间的微小差异，因此在某些情况下，需要回归标准坐标系进行进一步分析。 在算法实现上，卢韬同学吸取了之前实验的教训，避免了使用全局变量导致的问题。他采用面向对象编程的方式，将超参数封装在类内部，提高了代码的可维护性和实验的可重复性。这种改进使得在进行多组对照实验时，能够更安全地管理变量，减少调试难度。 这个实验展示了如何通过调整PSO算法的参数来优化其性能，并且通过使用对数坐标系改进了结果的可视化。此外，它还强调了在编写实验代码时，采用良好编程习惯的重要性，如使用类来封装算法，以提高代码质量和实验的可靠性。