Ch8粒子群算法….doc

Ch8 粒子群算法 8.1生物学、社会学知识 1、从社会学的角度看，粒子群优化算法应用了如下简单道理，即群体中的每个个体，都可以从邻近个体的已往经验中受益。 2、粒子群优化算法(Particle Swarm Optimization) 基于群体智能理论的全局优化方法，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。 一些科学家研究了蜂群、鸟群、鱼群中各成员协调运动，相互间没有冲撞的隐含规则。 通过模拟，发现各个体在运动过程中，始终保持与其相邻个体的距离最优。 群体中个体间的信息共享，是粒子群优化算法发展过程中的核心思想。 假设在某个区域里只有一块食物，所有鸟都不知道食物在哪里。 对于鸟群来说，在它们找到食物源之前，从一地到另一地的迁徙中，总是有那么一只鸟对食物的嗅觉较好，即对食物的大致方向具有较好的洞察力，从而这只鸟就拥有食源的较好信息。 由于在找寻食源的途中，它们之间时刻都在相到传递信息，特别是是这种较好的信息。 所以在这种“好消息”的指引下，不断搜索目前离食物最近的鸟的周围区域，最终导致了鸟群“一窝峰”的奔向食源，达到了在食源的群集。 3、PSO算法 解集是鸟群。 解集的获取，是鸟群从一地迁徙到另一地， 解集中的最优解，是其迁徙中的“好消息”。 全局最优解，是迁徙中的食源。 4、与其他方法异同 保留了基于种群的全局搜索策略。 不同： 采用速度-位移框架模型，操作简单，避免了复杂的遗传操作， 记忆使其可以动态跟踪当前的搜索情况，调整其搜索策略。 但易陷入局部最优，搜索精度不高。 PSO算法是一种高效的并行搜索算法，目前是国际进化计算会议(Conference Evolutionary Computation CEC)的讨论专题。 5、改进的算法：自适应的粒子群算法，混沌粒子算法，简约粒子群优化算法，广义粒子群算法。 8.2粒子群算法的研究进展 1、1995年 美国 Kennedy、Eberhat 首次提出来，基于迭代的算法。没有交叉与变异，算法简单，参数少，建立在社会模型仿真的基础上，也没有严格的数学基础。 2、Clerc与Van den，给出严格的数学证明，总算可以发高水平的文章了。 3、YuShi和Eberhart 首次提出了惯性权重w的概念，得到w较大时有利于跳出局部最优，较小的w有利于算法收敛。因此初始阶段是w较大，到了一定的步骤后w较小，需要自适应呀。 4、算法融合：与遗传、退火、免疫、混沌等融合。 8.3粒子群算法的基本原理 粒子群优化算法的心理学假设： 在寻求一致的认知过程中，个体往往记住它们的信念，走自己的路让人家去说吧！ 同时考虑同事们的信念，当个体察觉同事的信念较好时，它将进行适当的调整。 他山之石可以攻玉，孟母三迁，说明环境对人的影响是明显的，随大流！ 1、各个体有速度(反映位置的变)，粒子根据速度在搜索空间运动。 2、各个体都有一个记忆单元，记下它曾经到达的最优位置。 3、整个寻优过程是个体，根据自己先前到达过的最优位置，和其邻域中其他个体到达过的最优位置，来修改自己的速度与位置，从而达到全局最优。 4、个体称为粒子(particle)，群体称为swarm。 5、每个优化问题的解，被看作是搜索空间中的一个没有体积，没有质量的飞行粒子，所有的粒子都有一个被优化的目标函数决定的适应度值(这一点与遗传算法一样)。 6、算法初始化时为一群随机的粒子，根据对粒子自身与群体的飞行经验，综合分析，动态调整自己的速度。 7、在解空间搜索，通过迭代取得最优解。 8、在每次迭代中，粒子通过跟踪两个“极值”来更新自己：个体极值(pbest)，全局极值(gbest)。 9、找到这两个优解后，粒子根据如下的公式来更新速度与位置 vk+1ij= Vkij +c1*r1*(pbestkij-xkij)+c2*r2*(gbestkj-xkij) (8-1) xk+1ij=xkij+vk+1ij. (8-2) i表示第i个粒子 j表示速度v或距离x的第j维，第j个分量。两者均被限制在一定范围内 c1、c2是学习因子[0,4] r1,r2是[0,1]的随机数。 pbestij 是第i个粒子在第j维的值 由(8-1)、(8-2)确定的算法，称为基本的粒子群算法。 Xi=(xi1,xi2,xi3,…,xin) pbesti=(pi1,pi2,pi3,…,pin) Vi=(vi1,vi2,vi3,…,vin) gbesti=(gi1,gi2,gi3,…,gin) 以上是基本算法，如下方程是改进型，其中w称为惯性系数。 vk+1ij=wVkij +c1*r1*(pbestkij-xkij)+c2*r2*(gbestkij-xkij) (8-3) xk+1ij=xkij+vk+1ij. (8-4)