第6章粒子群优化算法要点分析.pptVIP

几种典型的拓扑结构示意图 全局版本PSO和局部版本PSO的收敛特点： 1. GPSO由于其很高的连接度，往往具有比LPSO更快的收敛速度。但是，快速的收敛也让GPSO付出了多样性迅速降低的代价 2. LPSO由于具有更好的多样性，因此一般不容易落入局部最优，在处理多峰问题上具有更好的性能 在解决具体问题的时候，可以遵循以下一些规律： (A)邻域较小的拓扑结构在处理复杂的、多峰值的问题上具有优势，例如环型结构的LPSO (B)随着邻域的扩大，算法的收敛速度将会加快，这对简单的、单峰值的问题非常的有利，例如GPSO在这些问题上就表现很好 6.3.3 混合算法改进 混合其它技术 的改进 单纯形技术 函数延伸技术 混沌技术 量子技术 协同技术 小生境技术 物种形成技术 …… 混合其它搜索算法 的改进 结合模拟退火算法 结合人工免疫算法 结合差分进化算法 结合局部搜索算法 …… 混合进化算子 的改进 选择算子 交叉算子 变异算子 …… 进化规划 进化策略 蚁群算法 …… 6.3.4 离散版本改进 二进制编码 整数编码 其它形式 Kennedy和Eberhart 1997 年对PSO进行了离散化，形成了二进制编码的PSO(BPSO)，并且在对De Jong 的五个标准测试函数的测试中取得较好的效果 Salman等人2002 年将粒子的位置变量四舍五入为最接近的合法的离散值 Yoshida等人 2000 年将连续的值域分区间，每个区间赋予一个相应的离散值 Schoofs和Naudts 2002 年重新定义了PSO的“加减乘”法，并且应用到了约束可满足问题（CSP）中Hu等人2003 年将速度定义为位置变量相互交换的概率，从而将PSO离散化并用于解决n皇后问题 Clerc 2004 年为PSO定义了合适的“加减乘”法而实现离散化，并且应用于解决旅行商问题（TSP） Chen等人2009年基于集合论的技术，重新定义了PSO速度和位置的更新公式实现了离散化 6.4 粒子群优化算法的相关应用 调度与规划 优化与设计 生物与医学 机器学习与训练 其它…… 数据挖掘与分类 应用 6.5 粒子群优化算法的参数设置 种群规模N 粒子的长度D 粒子的范围R 最大速度Vmax 惯性权重? 压缩因子? 加速系数c1和c2 终止条件 全局和局部PSO 同步和异步更新 种群规模N 影响着算法的搜索能力和计算量 PSO对种群规模要求不高，一般取20-40就可以达到很好的求解效果 不过对于比较难的问题或者特定类别的问题，粒子数可以取到100或200 粒子的长度D由优化问题本身决定，就是问题解的长度 粒子的范围R由优化问题本身决定，每一维可以设定不同的范围 最大速度Vmax 决定粒子每一次的最大移动距离，制约着算法的探索和开发能力 Vmax的每一维 一般可以取相应维搜索空间的10%-20%，甚至100% 也有研究使用将Vmax按照进化代数从大到小递减的设置方案 惯性权重? 控制着前一速度对当前速度的影响，用于平衡算法的探索和开发能力 一般设置为从0.9线性递减到0.4，也有非线性递减的设置方案 可以采用模糊控制的方式设定，或者在[0.5, 1.0]之间随机取值 ?设为0.729的同时将c1和c2设1.49445，有利于算法的收敛 压缩因子? 限制粒子的飞行速度的，保证算法的有效收敛 Clerc等人通过数学计算得到?取值0.729，同时c1和c2设为2.05 加速系数c1和c2 代表了粒子向自身极值pBest和全局极值gBest推进的加速权值 c1和c2通常都等于2.0，代表着对两个引导方向的同等重视 也存在一些c1和c2不相等的设置，但其范围一般都在0和4之间 研究对c1和c2的自适应调整方案对算法性能的增强有重要意义 终止条件 决定算法运行的结束，由具体的应用和问题本身确定 将最大循环数设定为500，1000，5000，或者最大的函数评估次数，等等 也可以使用算法求解得到一个可接受的解作为终止条件 或者是当算法在很长一段迭代中没有得到任何改善，则可以终止算法 全局和局部PSO 决定算法如何选择两种版本的粒子群优化算法—全局版PSO和局部版PSO 全局版本PSO速度快，不过有时会陷入局部最优 局部版本PSO收敛速度慢一点，不过不容易陷入局部最优 在实际应用中，可以根据具体问题选择具体的算法版本 同步和异步更新 两种更新方式的区别在于对全局的gBest或者局部的lBest的更新方式 在同步更新方式中，在每一代中，当所有粒子都采用当前的gBest进行速度和位置的更新之后才对粒子进行评估，更新各自的pBest，再选最好的pBest作为新的gBest 在异步更新方式中，在每一代中，粒子采用当前的gBe