粒子群优化算法（PSO）介绍外文翻译.docVIP

粒子群优化算法（PSO）介绍 在频谱资源日益紧张的今天，想要通过增加频谱宽度来提高系统容量的方法已经很难实现；同时，想在时域、频域或码域进一步提高系统容量已经十分困难。在这种情况下，人们把眼光投向了空域，期望能够从中寻找新的源泉。随着人们对于无线移动通信的要求越来越高，特别是对高速多媒体传输的迫切需求，与之相关能够提高系统容量的技术也开始受到人们的特别重视。20世纪90年代以来，对于群体智能的研究逐渐兴起。 Eberhart和Kennedy于1995年提出的粒子群优化算法(PSO)，作为一种简单有效的优化算法迅速在各个领域得到了广泛的应用。PSO算法的思想来源是鸟群在觅食过程中体现的群体智慧。通常单个自然生物并不是智能的，但是整个生物群体却表现出处理复杂问题的能力，这就是群体智能。各种生物聚集成生物种群，都有其内在行为规律，而人类作为高级生物，研究并掌握了这种规律，模拟设计出各种优化算法并运用于各类问题。类似的还有根据生物繁殖特性产生的遗传算法，对蚂蚁群落食物采集过程的模拟产生的蚁群算法。PSO算法目前已经广泛用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法涉及到的应用领域。 PSO算法较之其他的优化算法实现简单，也没有许多参数需要调整。但是它也有着收敛过快、易收敛于局部极值的现象，特别是面对高维复杂的问题时如阵列天线方向图综合问题。人们提出了很多的改进算法，来提高PSO算法的性能。惯性权重和压缩因子是目前应用比较广泛的对基本粒子群算法的改进，能够改善优化性能但是收敛较慢。文献中将粒子群算法和遗传算法在方向图综合上的应用做了比较，可以看出粒子群算法较之遗传算法有计算量小易于实现等特点，但也可以看到基本的PSO算法和遗传算法的收敛速度都不快或往往在某个局部极值停滞过久很难跳出。 粒子群优化算法(PSO粒子群优化(PSO：Particle Swarm Optimization))是一种进化计算技术(evolutionary computation)是一种有效的全局优化技术，有Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究PSO是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。粒子群优化算法是基于一群粒子的智能运动而产生的一类随机进化算法，其优点是算法非常利于理解和应用。本文介绍了粒子群算法的原理和流程，研究了如何将这种方法运用于天线阵的方向图综合上，给出了PSO算法在综合阵列方向图的应用实例，表明粒子群算法在天线阵列综合中具有广泛的应用前景。详细的步骤以后的章节介绍 同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。对基本PSO算法的速度更新公式中的全局极值给出新的定义，；，PSO算法后期，PSO算法(NPSO：New PSONPSO能有效地改善算法，，3个函数进行了测试。实验结果显示，，PSO算法提高1162%——1615%，swarm intelligence)。这些模拟系统利用局部信息从而可能产生不可预测的群体行为 例如floys和boids，他们都用来模拟鱼群和鸟群的运动规律，主要用于计算机视觉和计算机辅助设计。 在计算智能(computational intelligence)领域有两种基于群智能的算法。蚁群算法(ant colony optimization)和粒子群算法(particle swarm optimization)。前者是对蚂蚁群落食物采集过程的模拟。已经成功运用在很多离散优化问题上。 粒子群优化算法(PSO)也是起源对简单社会系统的模拟。最初设想是模拟鸟群觅食的过程。但后来发现PSO是一种很好的优化工具，它采用对全局最优粒子的微扰和跳变的惯性权重策略，很好地改善了算法的优化速度和收敛精度。同时，针对参数组合难以确定的问题，采用PSO算法本身来进行优化，选择出了合适的参数组合。把这种方法运用到矩形阵列天线旁瓣优化和二维稀疏阵列方向图综合问题上，取得了很好的效果。 算法介绍 前所述，PSO模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的例子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索 PSO初始化为一群随机