粒子群优化算法zwd.pptVIP

粒子群优化算法 PSO Particle Swarm Optimization PSO和其他算法 差异： (1) PSO有记忆，好的解的知识所有粒子都保 存，而GA，以前的知识随着种群的改变被改变。 (2) PSO中的粒子仅仅通过当前搜索到最优点进行共享信息，所以很大程度上这是一种单共享项信息机制。而GA中，染色体之间相互共享信息，使得整个种群都向最优区域移动。 (3) GA的编码技术和遗传操作比较简单，而PSO 相对于GA，没有交叉和变异操作，粒子只是通过内部速度进行更新，因此原理更简单、参数更少、实现更容易。 PSO和其他算法 参数分析 参数有：群体规模m，惯性因子 ，学习因子c1和c2 最大速度Vmax，迭代次数Gk。 群体规模m 一般取20～40，对较难或特定类别的问题 可以取到100～200。 最大速度Vmax决定当前位置与最好位置之间的区域的 分辨率(或精度)。如果太快，则粒子有可能越过极小 点;如果太慢，则粒子不能在局部极小点之外进行足 够的探索，会陷入到局部极值区域内。这种限制可以 达到防止计算溢出、决定问题空间搜索的粒度的目的。 参数分析 权重因子 包括惯性因子 和学习因子c1和c2。 使粒子 保持着运动惯性，使其具有扩展搜索空间的趋势，有 能力探索新的区域。c1和c2代表将每个粒子推向Pbest 和gbest位置的统计加速项的权值。较低的值允许粒子 在被拉回之前可以在目标区域外徘徊，较高的值导致粒 子突然地冲向或越过目标区域。 参数分析 参数设置：如果令c1＝c2＝0，粒子将一直以当前 速度的飞行，直到边界。很难找到最优解。 如果 ＝0，则速度只取决于当前位置和历史最好位置， 速度本身没有记忆性。假设一个粒子处在全局最好位置 ，它将保持静止，其他粒子则飞向它的最好位置和全局 最好位置的加权中心。粒子将收缩到当前全局最好位置。 在加上第一部分后，粒子有扩展搜索空间的趋势，这也 使得w的作用表现为针对不同的搜索问题，调整算法的 全局和局部搜索能力的平衡。 较大时，具有较强的全 局搜索能力； 较小时，具有较强的局部搜索能力。 参数分析 通常设c1＝c2＝2。Suganthan的实验表明：c1和c2 为常数时可以得到较好的解，但不一定必须等于2。 Clerc引入收敛因子(constriction factor) K来保证 收敛性。 其中 参数分析 通常取 为4.1,则K＝0.729.实验表明，与使 用惯性权重的PSO算法相比，使用收敛因子的 PSO有更快的收敛速度。其实只要恰当的选取 和c1、c2，两种算法是一样的。因此使用收 敛因子的PSO可以看作使用惯性权重PSO的特 例。 恰当的选取算法的参数值可以改善算法的性能。 应用实例 如何找出Ackley函数最小值? MATLAB程序演示 应用实例 PSO和其他算法 1、遗传算法和PSO的比较 共性: 都属于仿生算法。 (2) 都属于全局优化方法。 (3) 都属于随机搜索算法。 (4) 都隐含并行性。 (5) 根据个体的适配信息进行搜索，因此不受函数 约束条件的限制，如连续性、可导性等。 (6) 对高维复杂问题，往往会遇到早熟收敛和收敛 性能差的缺点，都无法保证收敛到最优点。 目 录 背景 算法介绍 参数分析 PSO和其他算法 PSO资源和参考文献 应用实例 人工生命：研究具有某些生命基本特征的人 工系统。包括两方面的内容： 1、研究如何利用计算技术研究生物现象； 2、 研究如何利用生物技术研究计算问题。 我们关注的是第二点。 已有很多源于生物现象的计算技巧，例如神 经网络和遗传算法。 现在讨论另一种生物系统---社会系统：由简 单个体组成的群落和环境及个体之间的相互 行为。 背 景 背 景 群智能(swarm intelligence) 模拟系统利用局部信息从而可以产生不可预测的群行为。 我们经常能够看到成群的鸟、鱼或者浮游生物。这些生物的聚集行为有利于它们觅食和逃避捕食者。它们的群落动辄以十、百、千甚至万计，并且经常不存在一个统一的指挥者。它们是如何完成聚集、移动这些功能呢？ 背 景 Swarm Intelligence (SI)的概念最早由Beni、Hackwood和在分子自动机系统中提出。分子自动机中的主体在一维或二维网格空间中与相邻个体相互作用，从而实现自组织。1999年，Bonabeau、Dorigo和Theraulaz 在他们的著作《Swarm Intelligence: From Natural to Artificial Systems