复现模拟退火、粒子群算法解约束最优化问题 内容： 程序一：模拟退火算法SA算法求解附图所示变速...

复现模拟退火、粒子群算法解约束最优化问题 内容： 程序一：模拟退火算法SA算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。 程序二：粒子群算法PSO算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。

变速箱设计优化是典型的带约束非线性规划问题。咱们今天不用传统梯度法，直接上两种元启发式算法搞起。先看问题建模：目标函数是总质量最小化，约束包括齿轮接触强度、弯曲强度、传动比误差等八项。变量包含齿轮模数、齿数、螺旋角等七个设计参数，其中齿数必须是整数。

先整模拟退火（SA）的版本

SA的核心是允许接受劣解跳出局部最优。这里有个坑：约束处理必须够狠。我直接在目标函数里加惩罚项，违反约束就猛扣分：

function f = obj_SA(x) % 计算原始目标函数 mass = ... % 质量计算逻辑 % 约束计算 [g1, g2, ...] = constraints(x); % 惩罚系数 penalty = 1e6 * sum(max(0, [g1, g2, ...])); f = mass + penalty; end

初始温度设置要足够高，这里取500度。降温采用指数衰减，每迭代100次温度乘0.95。邻域生成时特别注意整数处理——齿数必须整型：

% 当前解 current_x = [3, 20, 15, ...]; % 生成新解 new_x = current_x + randn(size(current_x)) .* [0.1, 1, 1, ...]; new_x(2:3) = round(new_x(2:3)); # 齿数取整 new_x = max(min(new_x, ub), lb); # 边界截断

接受概率用经典的Metropolis准则。当温度降到10度以下时停止，此时解的更新基本停止。

再来粒子群（PSO）的实现

复现模拟退火、粒子群算法解约束最优化问题 内容： 程序一：模拟退火算法SA算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。 程序二：粒子群算法PSO算法求解附图所示变速箱设计带约束最优化实际工程问题的自编MATLAB程序。

PSO需要处理连续+整数混合变量。这里采用分裂编码：前五个连续参数用常规PSO，后两个齿数用整数粒子群策略。

初始化种群时强制满足边界：

particles = rand(pop_size,7) .* (ub - lb) + lb; particles(:,2:3) = round(particles(:,2:3)); # 齿数初始化就取整

速度更新公式要调整，对齿数参数使用概率取整：

v = w*v + c1*rand*(pbest - x) + c2*rand*(gbest - x); new_x = x + v; new_x(:,2:3) = round(new_x(:,2:3) + 0.5 - rand(pop_size,2));

约束处理改用可行性法则：只有当粒子同时满足约束和适应度更优时，才更新个体最优。这种双重判断能有效引导粒子朝向可行域：

if (new_f < pbest_f) && all(constraints(new_x) <= 0) pbest = new_x; pbest_f = new_f; end

两种算法实测对比

在i7-12700H上跑10次取平均：

PSO在速度上完胜，但SA的解更稳定。实际工程中推荐混合策略：先用PSO快速搜索，再用SA的接受机制精细调优。这里有个实用技巧——把PSO的最优解作为SA的初始解，能省30%计算时间。

踩过的坑总结

1. 齿数处理必须全程强制取整，否则会导致约束计算错误
2. 惩罚系数要动态调整，早期大系数帮助进入可行域，后期降低系数提升精度
3. PSO的惯性权重从0.9线性降到0.4效果最佳
4. 齿轮螺旋角超过25度会导致轴向力剧增，这个约束必须设置为硬边界

最后放个混合算法的核心代码片段：

% PSO阶段 [pso_gbest, ~] = PSO_optimize(); % SA阶段 sa_options.T_init = 100; sa_options.x_init = pso_gbest; sa_result = SA_optimize(sa_options); % 结果校验 if check_constraints(sa_result.x) disp('找到可行最优解!'); else warning('最后解仍违反约束'); end