05粒子群算法PSO.docVIP

导言 粒子群优化由于其算法简单，易于实现，无需梯度信息，参数少等特点在连续优化问题和离散优化问题中都表现出良好的效果，特别是因为其天然的实数编码特点适合于处理实优化问题。近年来称为国际上智能优化领域研究的热门（HOT）。 粒子群优化算法（Particle Swarm Optimization，PSO）最早应用于非线性连续函数的优化和神经元网络的训练，后来也被用于解决约束优化问题、多目标优化问题、动态优化问题等。在数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辨识等方面，都表现出良好的应用前景。国内也有越来越多的学者关注粒子群优化算法的应用，将其应用于非线性规划，同步发电机辨识，车辆路径，约束布局优化，新产品组合投入，广告优化等问题。 粒子群优化算法的提出时基于对简化的社会模型的模拟。 算法原理 算法的基本原理描述入下： 一个由m个粒子（Particle）组成的群体（Swarm）在D为搜索空间中以一定的速度飞行，每个粒子在搜索时，考虑了自己搜索到的历史最好点和群体内（或领域内）其他粒子的历史最好点，在此基础上进行位置（状态，也就是解）的变化。 第i个粒子的位置表示为： 第i个粒子的速度表示为： 第i个粒子经历过的历史最好点表示为： 群体内（或领域内）所有粒子所经过的最好点表示为： 一般来说，粒子的位置和速度都是在连续的实数空间内进行取值。 粒子的位置和速度根据入校方程进行变化： （7.1） （7.2） 其中，c1和c2称为学习因子（Learning Factor）或加速系数（Acceleration Coefficient），一般为正常数。学习因子是粒子具有自我总结和向群体中优秀个体学习的能力，从而向自己的历史最优点以及群体内或领域内的历史最优点靠近。c1和c2通常等于2。，是在[0,1]区间内均匀分布的伪随机数。粒子的速度被限定在一个最大速度的范围内。 标准PSO算法 为改善算法收敛性能，Shi和Eberhart在1998年的论文中引入了惯性权重的概念，将速度更新方程修改为式（7.3）所示 （7.3） 其中，称为惯性权重，其大小决定了对粒子当前速度继承的多少，合适的选择可以是粒子具有均衡的探索能力（Exploration，即广域搜索能力）和开发能力（Exploitation，即局部搜索能力）。 算法流程 基本粒子群优化算法的流程如下： 第1步：在初始范围内，对粒子群进行随机初始化，包括随机位置和速度。 第2步：计算每个粒子的适应值。 第3步：对于每个粒子，将其适应值域所经历过的最好位置的适应值进行比较，如果更好，则将其作为粒子的个体历史最优值，用当前位置更新个体历史最好位置。 第4步：对每个粒子，将其历史最优适应值与群体内火领域内所经历的最好位置的适应值进行比较，若更好，则将其作为当前的全局最好位置。 第5步：根据是（7.1）和（7.2）对粒子的速度和位置进行更新。 第6步：若未达到终止条件，则转第2步。 一般讲终止条件设定为一个足够好的适应值或达到一个预设的最大迭代代数。 标准PSO 算法流程 算法构成要素 群体大小m：m是个整型参数。当m很小的时候，陷入局优的可能性很大。然而，群体过大将导致计算时间大幅度增加。并且当群体数目增大到一定水平时，在增长将不在有显著作用。当m=1是，PSO算法变为基于个体搜索的技术，一旦陷入局优，将不可能跳出。当m很大时，PSO的优化能力很好，课时收敛速度将非常慢。 学习因子c1和c2：学习因子是粒子具有自我总结和向群体中优秀个体学习的能力，从而向群体内或领域内最优点靠近。 最大设定：：最大速度决定粒子在一次迭代中最大的移动距离。较大，搜索能力增强，但是粒子容易飞过最好解。较小时，开发能力增强，但是容易陷入局优。现在的实验基本上使用进行初始化，将设定为每位变量的变化范围，而不必进行细致的选择与调节。 惯性权重：智能优化方法的运行能否成功，探索能力和开发能力的平衡是非常关键的。对于粒子群优化算法来说，这两种能力的平衡就是靠惯性权重来实现。较大的惯性权重使粒子在自己的原来方向上具有更大的速度，具有更好的探索能力；较小的惯性权重使粒子继承了较小的原有方向的速度，从而飞行较近，具有更好的开发能力。通过调节惯性权重可以调节粒子群的搜索能力。 领域拓扑结构：全局版本粒子群优化算法将整个群体作为粒子的领域，速度快，不过有时会陷入局部最优；局部版本粒子群优化算法将索引号相近或者位置相近的个体作为粒子的领域，收敛速度较慢，但很难陷入局部最优。全局版本粒子群优化算法可以看作是局部版本粒子群优化算法的一个特例，即将整个群体都作为领域。 停止准则：一般使用最