粒子群算法45109.pptVIP

智能优化算法(之二:粒子群优化算法) 太原科技大学 张学良 飞行速度的大小直接影响着算法的全局收敛性。当微粒的飞行速度过大时，各微粒初始将会以较快的速度飞向全局最优解邻近的区域，但是当逼近最优解时，由于微粒的飞行速度缺乏有效的控制与约束，则将很容易飞越最优解，转而去探索其它区域，从而使算法很难收敛于全局最优解；当微粒的飞行速度过小时，微粒在初期向全局最优解邻近区域靠近的搜索时间就需要很长。这一现象说明了该算法在速度缺乏有效的控制策略时，不具备较强的局部搜索能力或精细搜索能力。正是基于上述分析，Y.Shi和R.C.Eberhart在1998年的IEEE国际进化计算学术会议上发表了题为“A Modified Particle Swarm Optimizer”的论文，首次提出了一种带有惯性权重（inertia weight）的粒子群算法。 w 为惯性权重，它本身具有维护全局和局部搜索能力的平衡作用，可以使微粒保持运动惯性，使其有扩展空间搜索的趋势，有能力搜索到新的区域；其它符号表示意义同上。 一般来说，较好的全局搜索方法就是在前期尽量有较高的搜索能力以得到合适的种子，而在后期有较高的开发能力以加快收敛速度。为此，不少学者提出可假定是随着进化而线性减少的动态量值。Y.Shi和R.C.Eberhart的仿真实验结果也表明，w的线性减少取得了很好的实验效果，当 w=[0.9,1.2] 时，算法具有较理想的搜索性能。 * 1986年Craig Reynolds曾提出了基于群体行为的Boid(Bird-boid)模型用来模拟鸟类聚集飞行的行为。在这个模型中，每个个体的行为只和它周围邻近个体的行为有关，每个个体只需遵循以下3条规则： 避免碰撞(Collision Avoidance)：避免和邻近的个体相碰撞； 速度一致(Velocity Matching)：和邻近的个体的平均速度保持一致； 向中心聚集(Flock Centering)：向邻近个体的平均位置移动。 §2.1 粒子群优化算法的产生 鸟群中的每只鸟在初始状态下是处于随机位置并沿各个随机方向飞行的，但是随着时间的推移，这些初始处于随机状态的鸟通过自组织(self-organization)逐步聚集成一个个小的群落，并且以相同速度朝着相同方向飞行，然后几个小的群落又聚集成大的群落，大的群落可能又分散为一个个小的群落。 Boyd和Richerson在研究人类的决策过程中，提出了个体学习和文化传递的概念。他们认为，人们在决策过程中使用两类重要的信息：一类是自身的经验，一类是他人的经验。也就是说，人们通常是根据自身的经验和别人的经验来进行自己的决策。这也是粒子群算法产生的启发之一。 我们设想这样一个场景：一群鸟在空间随机地搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前自己的位置距离食物还有多远，那么找到食物的最简单有效的方法就是搜寻目前距离食物最近的鸟的位置。粒子群算法正是从这种鸟群觅食行为的模型中得到的启示而用来解决优化问题。下图形象地描述了这一鸟群觅食的行为。 1995年，美国社会心理学家James Kennedy和电气工程师Russell Eberhart受早期对鸟类、鱼类群体行为以及人工生命的研究的启发，并利用生物学家Frank Heppner的生物群体模型，模拟自然界的生物群体的行为来构造了一种随机的优化算法，由此首次正式提出了粒子群算法的概念。粒子群算法有以下特点： 1) 分散式搜寻； 2) 具有记忆性； 3) 需要调整的参数较少，容易实现； 4) 适合在连续性的范围内搜寻。 §2.2 基本粒子群优化算法 粒子群优化算法是基于群体智能理论的优化算法，它是通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。与进化算法比较，粒子群算法保留了基于种群的全局搜索策略，但是它又采用了一种相对简单的速度－位移模型，避免了复杂的遗传算子操作。同时它特有的记忆功能使其可以动态跟踪当前的搜索情况而调整其搜索策略。因此，粒子群优化算法是一种更高效的并行搜索算法，收敛速度快，设置参数少，因此近年来受到学术界的广泛重视。 在基本粒子群算法中，我们可以把每个优化问题的潜在解看作是n维搜索空间上的一个点，称之为“粒子”或“微粒”(Particle)，并假定它是没有体积和重量的。所有的粒子都有一个被目标函数所决定的适应度值(Fitness Value)，和一个决定它们位置和飞行方向的速度，然后粒子们就以该速度追随当前的最优粒