粒子群优化算法要点详解.pptVIP

粒子群优化算法 索静峰 ？？？ 给一副图我加了一个刚性变化，怎么求解我加的位移量，旋转量？ 算法简介 程序例子 应用扩展 存在问题 发展趋势 定义 粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。 该算法模拟鸟群群体觅食的行为，通过个体之间的相互协作使群体达到最优目的，是一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。 问题 什么是群集智能？举例子 典型的群集智能系统由一群简单的主体构成，每个主体和其它主体以及它们的环境作局部的交互。尽管通常没有集中控制机制来指示这些主体如何协作，但这些简单的局部交互行为通常能涌现出复杂的全局行为。 鸟群觅食是一个怎样的过程？ 优点 （1） 易于描述，易于理解； （2） 对优化问题定义的连续性无特殊要求； （3） 只有非常少的参数需要调整； （4） 算法实现简单，速度快； （5） 相对其它演化算法而言，只需要较小的演化群体； （6） 算法易于收敛，相比其它演化算法，只需要较少的评价函数计 算次数就可达到收敛； （7） 无集中控制约束,不会因个体的故障影响整个问题的求解,确保了 系统具备很强的鲁棒性。 PSO其基本思想是:将所优化问题的每一个解称为一个微粒,每个微粒在n维搜索空间中以一定的速度飞行,通过适应度函数来衡量微粒的优劣,微粒根据自己的飞行经验以及其他微粒的飞行经验,来动态调整飞行速度,以期向群体中最好微粒位置飞行,从而使所优化问题得到最优解。 公式 （1-1） （1-2） 流程图 程序演示 归一化互信息： 引入梯度矢量流GVF 应用扩展 1） 神经网络的训练 2）连续问题参数优化 3）组合优化 4）其他应用 神经网络的训练 PSO 用于神经网络的训练中，主要包含三个方面：连接权重、网络结构（网络拓扑结构以及传递函数）和学习算法。 用 PSO 算法训练神经网络，一个粒子包含神经网络的所有参数，通过迭代来优化这些参数，从而达到训练的目的。与 BP 算法相比，使用 PSO 训练神经网络的优点在于不使用梯度信息，可使用一些不可微的传递函数。多数情况下其训练结果优于 BP 算法，而且其训练速度更快。 连续问题参数优化 作为一个优化方法，PSO 算法已广泛应用于各类连续问题的参数优化。例如，PID控制器参数优化、模糊控制器的设计、机器人路径规划、VLSI 布图布线和电路优化设计、信号处理、无功功率优化、数控加工参数优化、约束布局优化等。并在以上问题上均取得了不错的效果。 组合优化 尽管有离散二进制版 PSO，但其并不能完全适用各种不同类型的组合优化问题。因为其中存在着序结构如何表达以及约束条件如何处理等问题。根据问题的不同，有些研究者提出了相应问题的粒子表达方式，也有研究者通过重新定义迭代公式中的加法和乘法来解决问题。目前，已提出了多种解决整数规划、TSP、VRP以及车间调度[63]等问题的方案。 间歇过程(Batch Process)具有小批量、多品种、系列化、合成步骤复杂、技术密集等特点，能够满足现代过程工业的要求。为了获得最大产品产率或最好的产品质量，间歇过程中存在着大量的优化控制问题。通常间歇过程的动态优化是基于过程已知的确定性模型进行求解，但实际工业中却面临着模型参数不确定性问题。并且，传统的基于梯度的优化控制技术在处理具有多个局部极值的目标函数时，往往会陷入局部极值点，不能高效的求解目标问题。近几年，随着计算机和人工智能等技术的发展，不断涌现出新的智能优化方法。这些算法能够克服上述传统方法需要目标函数是连续、可导的限制。结合间歇过程产品质量控制问题的特点和各种约束条件，利用粒子群优化算法对间歇过程产品质量进行优化，来改变间歇过程的鲁棒优化收缩控制变量的搜索域，使优化性能指标渐次达到最优。 其他应用 除了以上领域外，PSO 在多目标优化、动态目标检测、生物信号检测识别、数据挖掘、聚类分析、系统辨识以及无人驾驶车辆的导航、游戏学习训练等方面也取得了一定的成果。 不足 数学理论基础不完善，参数的选择等大部分研究成果是建立在大量的实验基础之上的，目前没有统一的数学方法能提供有效的证明 带有随机性，每次的求解不一定一样，当处理突发事件时，系统的反映可能是不可预测的，这在一定程度上增加了其应用风险。 发展趋势 第一，寻找新的理论分析手段。目前，能对 PSO算法进行理论分析的有效数学手段较少，基于物理学理论的分析将是今后发展的一个方向，如基于量子理论、热力学和动力学理论等。 第二，PSO 与新的优化算法的融合。PSO与 GA的融