基于启发式算法的函数优化分析与MATLAB实现

⚠申明： 未经许可，禁止以任何形式转载，若要引用，请标注链接地址。 全文共计3077字，阅读大概需要10分钟
🌈更多学习内容， 欢迎👏关注👀【文末】我的个人微信公众号：不懂开发的程序猿

❗❗❗知识付费，🈲止白嫖，有需要请后台私信或【文末】个人微信公众号联系我

1. 启发式搜索算法概述

启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这样可以省略大量无谓的搜索路径，提高了效率。
在启发式搜索中，对位置的估价是十分重要的。采用了不同的估价可以有不同的效果。
启发中的估价是用估价函数表示的，如：f(n)=g(n)+h(n)；
最佳优先搜索的最广为人知的形式称为A*搜索。它把到达节点的耗散g(n)和从该节点到目标节点的消耗h(n)结合起来对节点进行评价：f(n)=g(n)+h(n)。

2. 启发式算法

2.1 粒子群算法PSO

粒子群算法（PSO）是一种基于群体的随机优化技术。粒子群算法（PS0）首先初始化一组随机值作为粒子群，粒子以一定的速度更新当前最优粒子和最优种群（Shi和Eberhart，1999）。每次迭代，更新“个体最优”值 、“种群最优”值 和粒子速度值 ，最终得到一组较为合理的结果。粒子群算法简单易实现，然而易出现早熟等现象，以致不能全局寻优。因此其改进算法层出不穷。

2.2 遗传算法G