加入突變機制粒子族群最佳化.pdfVIP

加入突變機制的粒子族群最佳化 周鵬程 林奕辰 許碩修 大葉大學 電機工程系 摘要 上突變率時成功機率大幅提昇，顯示出本研究加入突 粒 子 族 群 最 佳 化 （ Particle Swarm Optimization, 變率是有有助於改善 PSO 的瓶頸。 PSO），可說是近年來比較新的演算法，相較於一些早 本篇論文所提出之改良法，對於改善 PSO 的缺 期 完 善 的 演 算 法 來 說 ， 例 如 基 因 演 算 法 (Genetic 點，可提供一些小貢獻。 Algorithm, GA)、模擬退火法(Simulated Annealing, SA)… 等，PSO 的性質及應用範圍仍值得大家探討與研究， 關鍵詞: 粒子族群最佳化、基因演算法、蟻群演算法 蟻群演算法(Ant Colony Optimization, ACO)也是族群演 算法中的一種新算法，也是當前研究的課題之ㄧ 壹、粒子族群最佳化介紹 PSO 初始化為一群隨機的物群(隨機解)，然後透過 粒子族群最佳化(PSO)是模仿物群社會合作行為 疊代找到最佳解。主要的方法為其他粒子跟 pbest 及 而發展出來的，為 Eberhart 博士和 Kennedy 博士最先 gbest 的粒子靠攏，pbest 是每一批次中最好的粒子所貢 提出明確的定義[1]，源於對鳥群捕食的行為研究，PSO 獻的適應函數值，而 gbest 是一開始記錄每批次中最好 如同遺傳算法類似，是一種基於疊代的優化工具。系 的適應函數，此值是全域的。在每一次疊代中，物群 統初始化為一組隨機解，透過疊代搜尋最優值。但是 透過 pbest、gbest 來更新自己。 並 沒 有 加 入 遺 傳 算 法 中 的 交 叉 (crossover) 及 突 變 當參數越多，所需之族群數越快速增加，疊代的 (mutation)機制，而是在追隨最優的物群中進行搜索。 次數也迅速的擴大，造成搜尋不易，所耗時間也越長。 粒子族群最佳化(PSO)最初設想是類似鳥群覓食 此時 PSO 能找出真實最佳值也會迅速下降，僅靠效仿 的過程，假設一群鳥在某個區域隨機搜索食物，而在 鄰居的概念，已不足以使 PSO 能很有效率找至最佳 這個區域裡只有一塊食物，所有的鳥都不知道食物在 值，故介入了 mutation( from GA)的概率，使的粒子有 那裡，也不知道距離食物的位置還有多遠，那麼找到 機會脫離 pbest 及 gbest 的陷阱 ，經試誤法得知 mutation 食物的最佳策略是搜尋目前離食物最近的鳥的周遭區 rate 不能太大，也不能太小，在某一範圍內，可以有 域。 效地改善 PSO 本身所掉入的陷阱。 在 PSO 演算法中，粒子飛行通過多方向的搜索 原始 PSO 透過疊代搜尋最優值，但是並沒有用遺 空間，裡頭的每一個粒子的前進位置都會經過調整， 傳演算法的交配(crossover) 、突變率(mutation rate)以及 根據自己的經驗或是它的鄰居的經驗來做更換。 擇優(selection)，而是在追隨