曹紓嫚.docVIP

畢業專題期末報告 班級：機電四B 學號：495370404 497378066 姓名：曹紓嫚 陳韻珩 前言 1.1動機 在科技越來越發達的社會下，人類越來越在意效率的個詞彙，效率越高在同一單位的時間內所能做的事情越精準就比其他人更有競爭力，我們需要從一大堆可用的事物中去尋找最好的，可又不想將所有的可用事物加以評估進而挑選，在我們不斷追求更新更好的演算法來找出一個最好的答案或著是結果，然而人是不容易滿足於現況的，而最佳化正是採取仿生物智慧的概念，應用在最佳化問題上。 2.2 目的 粒子群演算法為一種具有群體智慧的概念方法，利用粒子族群具有探測與開發的特色，在問題空間中搜尋全域的最佳化。 每一個粒子都都代表在最佳化中的解，各自負責區域中的最佳搜尋。再就由族群中的記憶分享，粒子將受到群體間的約束，最後完成最佳化問題的搜尋。 粒子群的生物原理 自從90年代開始，藉由模擬自然界生物的群體行為，進而發展為最佳化演算法的研究成為一種主流。主要由於自然界生物群體行為，其覓食模式或演化方式的精神極為類似於最佳化過程的訴求。而模擬的對象經由模組化後，往往都能有效的運用於最佳化問題並發展成完善的最佳化方法。以下將以簡短的敘述介紹粒子群最佳化演算法的背景、執行程序、演進…等。 粒子群演算法(Particle Swarm Optimization)是一種以群體為基礎的最佳化搜尋技術，由James Kenney和Russell Eberhart兩位學者於1995年時所提出的。其優點在於快速收斂、較少的參數設定、適用於動態環境的能力等優點。 粒子群演算法是藉由觀察鳥群覓食的社會行為得到啟發，而將其應用在解決最佳化問題上。鳥群於食物存在空間中飛行覓食，一開始不知道最佳的覓食位置在哪，每隻鳥只憑著自己的經驗或是直覺(個體認知)，飛往牠所覺得較佳的地點搜尋食物。而當其他鳥發現了更佳的覓食地點(群體認知)時，鳥群之間會利用類似廣播的方式溝通行為，漸漸的將其他鳥群引領至較佳的地點。 以平面例子說明，如圖2.1，T為目標，A～E為搜尋粒子，初始粒子群分散於各處。此時群體最佳的粒子是離目標T最近的粒子D，稱之為gbest。假設粒子經過三次移動之後，位置如圖2.2所示，此時群體最佳的粒子則為E4。粒子群亦分別紀錄自身搜尋的最佳紀錄，稱之為pbest，如圖2.2，粒子A停駐位置為A4，其自身最佳搜尋紀錄為座標A3。 粒子群最佳化演算法的流程圖如圖2.3所示，演算法開始時以隨機方式散佈粒子，計算各粒子所得的適合度(fitness)來進行演化，而適合度通常是依照目標函數來訂定。在每一次迭代當中，粒子Xi 會根據自己過去曾經流覽過的最佳向量值 Pbesti 以及整個群體曾經瀏覽過的最佳向量值 Gbest，來計算粒子的位移向量Vi，然後再將粒子向量加上此位移向量作為下一次迭代的粒子向量值，通常此計算是依照每一個參數維度j分別進行的，公式如下 ????????? vij = vij + 2*rand()*(pbestij – Xij) + 2*rand()*(gbestj - Xij) ???????????????????? (1) ????????? Xij = Xij + vij???????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? (2) 其中rand()是一個介於0與1之間的隨機亂數，整個公式的目的是要讓Xi向Pbesti及Gbest的合成向量方向移動，以增加改善Xi的機會，同時又設計了隨機(stochastic)的干擾量，以避免掉入局部最佳解(local optimum)。所以粒子的向量修正原則是取得鑽探搜尋(exploitation search)以及探索搜尋(exploration search)的平衡，符合現代經驗法則(modern heuristics)的精神。 粒子群最佳化 Model： Find X=[X1,X2,X3……,Xn]T Min f(X) s.t. XLi ≦ Xi ≦ Xui 執行PSO演算法時，根據以下步驟進行： 初始時，於d 維設計空間中隨機產生n 個粒子，由這些粒子所構成的群體稱 為族群(population)，每個粒子所佔的位置x ji，均是設計空