第9章补充章节现代智能算法要点.ppt

加速常数c1和c2 将c1和c2统一为一个控制参数，φ= c1+c2 如果φ很小，微粒群运动轨迹将非常缓慢； 如果φ很大，则微粒位置变化非常快； 实验表明，当φ=4.1（通常c1=2.0，c2=2.0）时，具有很好的收敛效果。 不过在文献中也有其它的取值，一般设定c1 = c2 值介于0~4之间 3）其余各参数： 粒子数 一般取20～40，对比较简单的问题10个粒子就可以；对较难或特定类别的问题可以取100～200。 最大速度vmax 决定粒子在一个循环中最大的移动距离，通常设定为粒子 的范围宽度。例如: -10= x1, x2, x3 = 10 则Vmax 的大小就是10-(-10) = 20 vmax太大，则粒子们也许会飞过优秀区域；如果太小，则粒子们可能无法对局部最优区域以外的区域进行充分的探测。实际上，它们可能会陷入局部最优，而无法移动足够远的距离跳出局部最优达到空间中更佳的位置。 3）其余各参数： 终止条件 最大迭代次数Tmax、 最优解的最大停滞步数△t等。 车辆路径问题 车辆路径问题(Vehicle Routing Problem，VRP) 是指对一系列发货点(或收货点)，组成适当的行车路径，使车辆有序地通过它们，在满足一定约束条件的情况下，达到一定的目标(诸如路程最短、费用最小，耗费时间尽量少等)，在运筹、计算机、物流、管理等学科均有重要意义。 各发货点坐标及货运量 序 号 0 1 2 3 4 5 6 7 坐 标 (18,54) (22,60) (58,69) (71,71) (83,46) (91,38) (24,42) (18,40) 货运量 (gi) 0.89 0.14 0.28 0.33 0.21 0.41 0.57 注：序号0表示中心仓库，设车辆容量皆为q=1.0，由3辆车完成所有任务。 (最优路径距离为217.81) GA参数：群体规模n=40；交叉概率Pc=0.6；变异概率Pm=0.2；轮盘赌法选择子代，最大代数200。 PSO参数：粒子数n=40；分为2个子群，子群规模为22，子群间重叠的粒子数为2个（子群规模的1/10）；w=0.729；c1=c2=1.49445；最大代数200。 两种方法各运行50次 GA、PSO方法结果对比 方法 达到最优路径次数 未达最优路径次数 达到最优路径平均代数 达到最优路径的平均时间(s) GA 32 18 53.9 32.3 PSO 50 0 28.36 3.04 粒子群优化算法 优点： (1) 易于描述，易于理解； (2) 只有非常少的参数需要调整； (3) 算法实现简单，速度快； (4) 相对其它演化算法而言，只需要较小的演化群体 缺点： (1) 对于有多个局部极值点的函数，容易陷入到局部极值点 中，得不到正确的结果。 (2) 由于缺乏精密搜索方法的配合，PSO方法往往不能得到 精确的结果。 (3) 并不能严格证明它在全局最优点上的收敛性。 一般适用于高维、存在多个局部极值点而并不需要得到很高精度的优化问题。 共性： (1)属仿生算法：PSO主要模拟鸟类觅食；GA主借用生物进化的规律。 (2)属全局优化方法：在解空间中都随机产生初始种群，因而算法在全局的 解空间中进行搜索，且将搜索重点集中在性能高的部分。 (3)属随机搜索算法：PSO中个体认知项和社会认知项前都加有随机数； GA的遗传操作均属随机操作。 (4)隐含并行性：搜索过程是从问题解的一个集合开始的，而不是从单个个 体开始，具有隐含并行搜索特性，从而减小了陷入局部极小的可能性。 由于这种并行性，易在并行计算机上实现，以提高算法性能和效率。 (5)不受函数约束条件的限制，如连续性、可导性等。 (6)对高维复杂问题，往往会遇到早熟收敛和收敛性能差的缺点，都无法保 证收敛到最优点。 遗传算法与PSO 比较 遗传算法与PSO 比较 (1) PSO 没有交叉和变异，根据自己的速度来决定搜索。 (2) PSO 的信息共享机制与遗传算法不同。 在遗传算法中，染色体(chromosomes) 互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动 在PSO中, 只有gbest 给出信息给其他的粒子， 这是单向的信息流动，整个搜索更新过程是跟随当前最优解的过程。 (3) 与遗传算法比较, 在大多数的情况下，所有的粒子 可能更快的收敛于最优解。 不同点 (4) PSO算法相对于GA，对种