第五粒子群算法.ppt

初始位置： 设各粒子的初始位置 和初始速度 为： 对粒子群进行随机初始化 包括随机初始化各粒子的位置和速度 初始速度： 设各粒子的初始位置 和初始速度 为： 对粒子群进行随机初始化 包括随机初始化各粒子的位置和速度 初始速度： 初始位置： 计算每个粒子的适应值 按照 计算适应值 历史最优解 更新粒子的速度和位置： 取 ， , 得到速度和位置的更新函数为 初始速度： 初始位置： 群体历史最优解： 个体历史最优解： 更新速度，得： 初始速度： 初始位置： 群体历史最优解： 个体历史最优解： 更新位置，得： 初始速度： 初始位置： 群体历史最优解： 个体历史最优解： 不强行拉回解空间 更新位置，得： 初始速度： 初始位置： 群体历史最优解： 个体历史最优解： 不强行拉回解空间 按照 计算适应值 重复上述步骤，将迭代进行下去． 按照 计算适应值 历史最优解 6. 应用案例 * c0的大小决定了对粒子当前速度继承的多少，称为惯性因子； c1决定了自身经验对粒子速度的影响程度，它保证了粒子能够向自己的历史最优位置靠近，称为学习因子； c2决定了群体经验对粒子个体速度的影响程度，它保证了粒子能够向群体中的其他粒子学习，使粒子在飞行时向邻域内所有粒子曾找到过的历史最优位置靠近，也称为学习因子． * * * 第九讲daili 粒子群算法　　 * 第五章 粒子群算法 1. 粒子群算法发展历史简介 粒子群算法 由Kennedy和Eberhart于1995年提出．该算法是模拟鸟群飞行觅食过程中，通过个体之间的协作，最终达到群体最优目的的行为 已成为现代优化方法领域研究的热点． 其天然的实数编码特点, 使其尤其适合于处理 设置参数少 简单易行 收敛速度快 实优化问题 ． 2. 粒子群算法的基本思想 马良教授在他的著作《蚁群优化算法》一书的 粒子群算法的思想源于对鸟群捕食行为的研究． 前言中写到： “自然界的蚁群、鸟群、鱼群、羊群、牛群、蜂群等，其实时时刻刻都在给予我们以某种启示，只不过我们常常忽略了大自然对我们的最大恩赐！ ” 2. 粒子群算法的基本思想 粒子群算法的思想源于对鸟群捕食行为的研究． PSO的基础: 一群鸟在某区域随机搜寻食物。该区域只有一片食物，所有的鸟都不知道食物的具体位置，但它们知道自己和其它鸟相比谁距离食物更近。 那么每只鸟想要以最快的速度找到这片食物的话，就是要找寻比自己离食物更近的鸟，并且依照它的位置更新自己的位置，然后根据自己飞行的经验判断食物的所在。 最终，群体中每一只鸟都找到这片食物。 一群鸟在寻找食物的过程中，飞行习惯默认遵循以下规则： 1）避免与相邻的鸟发生碰撞冲突； 2）尽量与自己周围的鸟在速度上保持协调和一致； 3）尽量试图向自己所认为的最优群体靠近。 即粒子寻找目标解的过程中保持三条准则; 1）保持自身惯性Vi； 2）按自身的最优位置(pbest-区域最优解)来改变状态； 3）按群体的最优位置(gbest-全局最优解)来改变状态。 依照这三条准则更改自己的位置，不久就可以找到食物了 PSO正是从这种模型中得到了启发． 信息的社会共享 搜索空间的鸟所在的位置 位置 粒子的参数 目标函数值 Kennedy和Eberhart在上述关于动物的群体行为 研究的基础上，给出了粒子群优化算法． 在PSO中， 优化问题的解 “粒子” 粒子的适应值 速度 一个是粒子个体本身所找到的历史最优解 另一个是群体内其他粒子的历史最优解 粒子通过跟踪两个“极值”来进行位置的变化. 优 化 问 题 的 解 位置 粒子的参数 速度 粒子个体本身历史最优解 群体历史最优解 粒子通过跟踪两个“极值”来进行位置的变化. 粒子的速度和位置更新公式： 惯性因子 学习