MATLAB代码＋相关文档PDF
航班降落调度问题可以描述为：机场在某一段时间内有架需要降落航班，每个航班都有一个最早到达时间和最晚到达时间，在这个时间窗口内，航空公司需要选择一个目标时间，并将它作为航班到达时间公布出去，如果比此时间迟到或早到，会带来额外的费用支出，每个航班都定义了早到每分钟的惩罚和晚到每分钟的惩罚，同时，在两个航班降落之间需要有一段安全时间间隔。问题详细描述见链接文档.
2.1. fun.m
function y = fun(x) %函数用于计算粒子适应度值 %x · input 输入粒子 %y output 粒子适应度值 target = [155,258,98,106,123,135,138,140,150,180];%10个航班的target时间，用于计算适应度函数 c = [10,10,30,30,30,30,30,30,30,30];%10个航班的早到/晚到的惩罚，用于计算适应度函数 time_span = [0 3 15 15 15 15 15 15 15 15; 3 0 15 15 15 15 15 15 15 15; 15 15 0 8 8 8 8 8 8 8; 15 15 8 0 8 8 8 8 8 8; 15 15 8 8 0 8 8 8 8 8; 15 15 8 8 8 0 8 8 8 8; 15 15 8 8 8 8 0 8 8 8; 15 15 8 8 8 8 8 0 8 8; 15 15 8 8 8 8 8 8 0 8; 15 15 8 8 8 8 8 8 8 0];%计算时间惩罚 cost = 0.0; xx = x'; for i=1:10 %disp(x(i)) cost = (abs(xx(i)-target(i)))*c(i) + cost; for j=1:10 if (abs(xx(i)-xx(j))-time_span(i,j))<0 cost = Inf; end end end y=cost;2.2. PSO1.m
%% 清空环境 clc;clear all;close all; %% 设置种群参数 % 需要自行配置 SIZEPOP = 100:400:10000; ger = 800; % 最大迭代次数 record = zeros(ger, 25); % 记录器 dim = 10; % 空间维数 xlimit_max =[559 744 510 521 555 576 577 573 591 657]; % 设置位置参数限制(矩阵的形式可以多维) xlimit_min = [129 195 89 96 110 120 124 126 135 160]; for x=1:10 vlimit_max(x)=0.2*(xlimit_max(x)-xlimit_min(x)); vlimit_min(x)=-vlimit_max(x); end %for X=1:25 %sizepop = SIZEPOP(X); % 初始种群个数 sizepop = 6000; % vlimit_max = [50,50,50,50,50,50,50,50,50,50]; % 设置速度限制 % vlimit_min =[-50,-50,-50,-50,-50,-50,-50,-50,-50,-50]; c_1 = 0.4; % 惯性权重 c_2 = 0.5; % 自我学习因子 c_3 = 2; % 群体学习因子 %% 生成初始种群 % 首先随机生成初始种群位置 % 然后随机生成初始种群速度 % 然后初始化个体历史最佳位置，以及个体历史最佳适应度 % 然后初始化群体历史最佳位置，以及群体历史最佳适应度 for i=1:dim for j=1:sizepop pop_x(i,j) = xlimit_min(i)+(xlimit_max(i) - xlimit_min(i))*rand; pop_v(i,j) = vlimit_min(i)+(vlimit_max(i) - vlimit_min(i))*rand; % 初始种群的速度 end end gbest = pop_x; % 每个个体的历史最佳位置 for k=1:sizepop fitness_gbest(k) = fun(pop_x(:,k)); % 每个个体的历史最佳适应度 end zbest = pop_x(:,1); % 种群的历史最佳位置 fitness_zbest = fitness_gbest(1); % 种群的历史最佳适应度 for j=1:sizepop if fitness_gbest(j) < fitness_zbest % 如果求最小值，则为<; 如果求最大值，则为>; zbest = pop_x(:,j); fitness_zbest=fitness_gbest(j); end end %% 粒子群迭代 % 更新速度并对速度进行边界处理 % 更新位置并对位置进行边界处理 % 进行自适应变异 % 计算新种群各个个体位置的适应度 % 新适应度与个体历史最佳适应度做比较 % 个体历史最佳适应度与种群历史最佳适应度做比较 % 再次循环或结束 iter = 1; %迭代次数 while iter <= ger for j=1:sizepop % 更新速度并对速度进行边界处理 pop_v(:,j)= c_1 * pop_v(:,j) + c_2*rand*(gbest(:,j)-pop_x(:,j))+c_3*rand*(zbest-pop_x(:,j));% 速度更新 for i=1:dim if pop_v(i,j) > vlimit_max(i) pop_v(i,j) = vlimit_max(i); end if pop_v(i,j) < vlimit_min(i) pop_v(i,j) = vlimit_min(i); end end % 更新位置并对位置进行边界处理 pop_x(:,j) = pop_x(:,j) + pop_v(:,j);% 位置更新 for i=1:dim if pop_x(i,j) > xlimit_max(i) pop_x(i,j) = xlimit_max(i); end if pop_x(i,j) < xlimit_min(i) pop_x(i,j) = xlimit_min(i); end end %进行自适应变异 if rand > 0.85 i=ceil(dim*rand); pop_x(i,j)=xlimit_min(i) + (xlimit_max(i) - xlimit_min(i)) * rand; end % 计算新种群各个个体位置的适应度 fitness_pop(j) = fun(pop_x(:,j)); % 当前个体的适应度 % 新适应度与个体历史最佳适应度做比较 if fitness_pop(j) < fitness_gbest(j) % 如果求最小值，则为<; 如果求最大值，则为>; gbest(:,j) = pop_x(:,j); % 更新个体历史最佳位置 fitness_gbest(j) = fitness_pop(j); % 更新个体历史最佳适应度 end % 个体历史最佳适应度与种群历史最佳适应度做比较 if fitness_gbest(j) < fitness_zbest % 如果求最小值，则为<; 如果求最大值，则为>; zbest = gbest(:,j); % 更新群体历史最佳位置 fitness_zbest=fitness_gbest(j); % 更新群体历史最佳适应度 end end record(iter,1) = fitness_zbest;%最大值记录 iter = iter+1; end %end %% 迭代结果输出 disp(zbest); plot(record);title('收敛过程') disp(['最优值：',num2str(fitness_zbest)]);