对粒子群的约束问题涉及的比较少。这儿摘抄下百度百科的内容：
PSO算法推广到约束优化问题，分为两类：（http://baike.baidu.com/view/1531379.htm）
（1）罚函数法。罚函数的目的是将约束优化问题转化成无约束优化问题。
（2）将粒子群的搜索范围都限制在条件约束簇内，即在可行解范围内寻优。
第一种方法有相关论文，看了下，感觉比较适合等式约束情况，比较类似于在适应度函数中加入拉格朗日乘子的做法，如果论文下不到的话，请留言。
第二种做法倒是用过。大概讲下。
针对你的问题，初始化两维向量，但是由于存在不等式约束，所以考虑先初始化向量的第一维，然后动态算出第二维的范围，随机出第二维变量。然后就是计算适应度值，全局、局部最优。
更新过程一样，先更新第一维变量，然后动态计算第二维的范围，更新第二维，如果更新后超过了边界，则取边界值（或者也可以再次重新更新，直到满足条件，直觉上感觉第一种还好点，第二种可能会出现无法更新的情况），更新完毕后，计算适应度，更新全局、局部最优解。
补充两个链接吧
http://download.csdn.net/detail/yinjian_2004/1567342
论文：基于改进粒子群优化算法的约束多目标优化追问
PSO算法推广到约束优化问题，分为两类：（http://baike.baidu.com/view/1531379.htm）
（1）罚函数法。罚函数的目的是将约束优化问题转化成无约束优化问题。
（2）将粒子群的搜索范围都限制在条件约束簇内，即在可行解范围内寻优。
第一种方法有相关论文，看了下，感觉比较适合等式约束情况，比较类似于在适应度函数中加入拉格朗日乘子的做法，如果论文下不到的话，请留言。
第二种做法倒是用过。大概讲下。
针对你的问题，初始化两维向量，但是由于存在不等式约束，所以考虑先初始化向量的第一维，然后动态算出第二维的范围，随机出第二维变量。然后就是计算适应度值，全局、局部最优。
更新过程一样，先更新第一维变量，然后动态计算第二维的范围，更新第二维，如果更新后超过了边界，则取边界值（或者也可以再次重新更新，直到满足条件，直觉上感觉第一种还好点，第二种可能会出现无法更新的情况），更新完毕后，计算适应度，更新全局、局部最优解。
补充两个链接吧
http://download.csdn.net/detail/yinjian_2004/1567342
论文：基于改进粒子群优化算法的约束多目标优化追问
谢谢你耐心的回答，算法我是了解的。但是到具体的程序实现，我实在做不出结果。就是想求一个类似的程序研究，不知道你能帮我找到不，财富我可以再加。谢谢
追答程序我没有啊，你可以看看csdn的链接，另外，关于第二个方法，你只需要编写一个关于x1 求解x2范围的函数就可以了，这个很简单吧
追问唉，程序难了，怎么写都不对。我会认真考虑你的想法，等有结果了，再来答复。
温馨提示：答案为网友推荐，仅供参考
第1个回答 2013-07-30
不知道这样可以不，虽然你说这个什么法那个什么法的我不懂唉
2×（2x1+3x2≤2000）- （4x1+x2≤3000）
然后弄出来的是：5x2≤1000
所以x2≤200
然后x1可以为700
正好啊
哈O(∩_∩)O哈！追问
2×（2x1+3x2≤2000）- （4x1+x2≤3000）
然后弄出来的是：5x2≤1000
所以x2≤200
然后x1可以为700
正好啊
哈O(∩_∩)O哈！追问
谢谢你的回答。这只是个例子，主要需要程序方面的参考。答案不重要。。。。
相似回答