粒子群优化算法及其在神经网络中的应用_计算机论文.docVIP

粒子群优化算法及其在神经网络中的应用_计算机论文 粒子群优化算法及其在神经网络中的应用_计算机论文 摘 要 粒子群优化(PSO)算法是一种新颖的演化算法，该算法通过粒子间的相互作用在复杂搜索空间中发现最优区域。PSO的优势在于简单而功能强大。本文介绍了基本的PSO算法、研究现状及其在神经网络中的应用，并探讨了未来的研究内容及发展方向。 关键词 粒子群优化算法；神经网络；人工生命；群智能1 引言 许多群体生物的自适应优化现象不断给人类以启示，群居生物的群体行为使许多在人类看起来高度复杂的问题得到了完美的解决。自然界那些群居生物表现出来的智能让人惊叹不已，比如蜜蜂建造的巢穴结构庞大、复杂而精美；蚂蚁能够完成觅食、清扫、搬运等高效的工作等等。这种生物群体行为的奇妙之处在于个体都很简单，但他们却能协同工作，依靠群体的能力，发挥超出个体的智能，表现出极其复杂而有序的行为。这些奇妙的现象吸引着越来越多的学者进入到这个领域，研究这些简单的个体如何通过协作涌现出如此复杂而奇妙行为，通过计算机模拟来探索其中的可循规律，用于指导并解决一些常规方法没有解决的传统问题以及实际应用中出现的新问题 [1-3] 。这些研究孕育并产生了一门新兴的学科领域：群体智能(Swarm Intelligence)[1]。优化技术是一种以各种形式的数学处理方法为基础，用于求解各种工程问题优化解的应用技术，在诸多工程领域得到普遍的应用。鉴于实际工程问题的复杂性、约束性、非线性、多局部极小和建模困难等特点，寻找各种适合于工程实践需求的新型智能优化方法一直是许多学科的一个重要研究方向。群体智能作为一种新兴的智能计算技术已成为越来越多研究者的关注焦点，它与人工生命，特别是进化策略以及遗传算法有着特殊的联系。群体智能使得在没有集中控制且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了基础。 2 PSO的产生与发展 2.1 微粒群算法的起源 微粒群算法[2]最初是为了图形化地模拟鸟群优美而不可预测的运动。自然界中，鸟群运动的主体是离散的，其排列看起来是随机的，但整体的运动却使它们保持着惊人的同步性，个体运动非常流畅而极富美感。研究者对鸟群的运动进行了计算机仿真，他们通过对个体设定简单的运动规则，来模拟鸟群整体的复杂行为。例如，1986年Craig Reynolds提出了Boid模型用以模拟鸟类聚集飞行的行为，通过对现实世界中这些群体运动的观察在计算机中复制重建这些运动轨迹，并对这些运动进行抽象建模以发现新的运动模式。上述模型关键在于对个体间距离的操作，即群体行为的同步性在于个体努力维持自身与邻居之间的距离为最优，为此每个个体必须知道自身位置和邻居的信息。生物社会学家Wilson E.O.认为 “至少从理论上，在搜索食物的过程中群体中的个体成员可以得益于所有其它成员的发现和先前的经历。当食物源不可预测地零星分布时，这种协作带来的优势是决定性的，远大于对食物的竞争带来的劣势。”以上两例说明，群体中个体之间信息的社会共享有助于进化。受上述鸟群运动模型的影响，社会心理学博士JamesK Ennedy和电子工程学博士Russell Eberhart于1995年提出了微粒群算法，微粒群算法是一种演化计算技术，在算法中，将鸟群运动模型中的栖息地类比于所求问题解空间中可能解的位置，通过个体间的信息传递，导引整个群体向可能解的方向移动，增加发现较好解的可能性。群体中的鸟被抽象为没有质量和体积的“微粒”，通过这些“微粒”的相互协作和信息共享，其运动速度受到自身和群体的历史运动状态信息影响，以自身和群体的历史最优位置来对微粒当前的运动方向和运动速度加以影响，较好地协调微粒本身和群体运动之间的关系，在复杂的解空间中寻找最优解。 2.2 微粒群算法的发展 微粒群算法自提出以来，已经历了许多变形和改进。包括数学家、工程师、物理学家、生物化学家以及心理学家在内的研究者对它进行分析和实验。到目前为止，国内外的研究者对微粒群算法的研究与发展，可以归纳为以下几个方面：[3] (1) 参数选择与设计：在微粒群算法中存在几个显参数和隐参数，它们的值可被调整，以产生算法搜索问题空间的方式的变化。 (2) 种群拓扑结构：从19世纪40年代起的研究已经表明，组内的交流及最终组的性能要受社会网络结构的影响。于是，微粒群研究者提出了几种简单的社会结构，并对几种种群结构模型进行了分析与比较。全局最优模型(Gbest)和局部最优模型(Lbest) 是最常见的两种类型。 (3) 群体组织与进化[4]：社会心理学研究表明。人们的态度、信仰和行为倾向于朝同伴的方向变化，他们会根据自己所处群体的规范选择自己的意见和行为，受此启发，提出用簇来表示群体中的子种群，用簇中心代替最优值的算法模式。此外，为了保证群体的多样性