微粒群优化算法及其应用讲座.ppt

* * 主从式模式，又称全局式PSO 主处理器：执行微粒全局最优点的选择、微粒位置更新等算子； 从处理器：并行计算多个微粒的函数值。 算法每次迭代时， ?主处理器分配新生微粒到各从处理器； ?从处理器计算所接受微粒的函数值， 并将其返回给主处理器； ?主处理器利用从处理器返回的微粒 函数值，首先更新微粒的个体最优 点和全局最优点，接着，更新微粒 的速度和位置。 ?返回?。 缺点：由于未对PSO算法框架进行改动，所以该模式存在主从节点负荷忙闲 不均衡的问题 * * 细粒度模式，又称扩散式PSO 赋予每个微粒一个处理器。 对每个微粒，微粒全局最优点的选择和微粒位置更新皆在其所处 处理器及其邻域(红色图标)中进行。 该模型可以最大限度的发挥算法的并行潜力 但算法的实现对处理器数量要求很高，其应用范围受到了很大限制。 优缺点： * * 粗粒度模式，又称迁移式PSO 将随机生成的初始种群依处理器个数分割成若干个子种群，各 个子种群在不同的处理器上并行进化。 每经过一定进化代数，各子群间交换若干最优信息。 该模型不仅通信代价较小, 而且非常适合在通信带宽较低的集群上运行, 是适应性强且应用范围广的并行模型. 可以提高种群多样性，防止未成熟收敛的发生 优点： ? ? * * 6. 微粒群优化算法的改进或变形 最初的PSO算法是从处理连续优化问题中发展起来的。 Kennedy和Eberhart首次将实数版PSO扩展为二进制 PSO。 微粒位置为二进制向量，微粒速度仍为浮点向量； 微粒速度将被逻辑函数s(v)转化为判断位置项 选择0还是1的概率。 6.1 二进制PSO (Binary PSO) * * 为了防止s(v)饱和，Kennedy等还建议将 限制在[-4,4]之间。 其中， 具体更新公式如下： * * 6.2 简洁PSO (Bare Bones PSO) 简洁微粒群优化算法是Kennedy在2003年提出的。 删除了传统的微粒速度更新公式。 利用一个基于微粒全局最优点和个体最优点的高斯采样公 式，更新微粒位置： 如果固定 和 不变， PSO将以中心在 和 之间的钟形分布对搜索空间进行采样。 * * 6.3 全息PSO (Fully Informed PSO) 先前微粒更新公式： 令 ，得 由上式可见，微粒趋向于收敛到一个确定点 ，该点是微粒 和全局最优点 的加权和。 个体最优点 * * 进一步，可把 扩展为关于多个邻域微粒信息的加权和： 其中，NB为当前微粒的邻域， 为NB中第k个微粒的个体最优点。 如果|NB|=2， 和 ，那么上式退化为传统PSO。 除 和 之外，上式允许我们自由利用更多的邻域信息。 * * 6.4 其它 本态性PSO算法(Essential particle swarm) (Kennedy, 2006) ? 部落PSO (Tribes particle swarm) (Clerc, 2006) ? 自适应地调整微粒群的规模，因此不需要人为设置。 自适应PSO (Adaptive PSO) (Zhan 等, 2009) ? 把PSO的整个搜索过程划分为全局开发、局部探索、收敛和跳离等4个进化状态。根据状态的不同，动态调整惯性权重和学习因子等参数。 小生境PSO (Niche PSO) (Brits 等, 2007) ? 把种群划分为若干子种群，每个子种群代表一个不同的解或小生境。 * * 测试函数 Schaffer Griewank Ackley Rastrigin * * 7.1 问题描述 在日常生活、管理以及工程等领域，存在着诸多需要使多个目标函数(可能相互冲突的)在给定区域上同时最优的问题，这类问题称为多目标或多准则优化问题(Multi- objective optimization problems，MOP) 。处理该类问题的目的是找到满足所有目标函数的最优解 。 图5 (Graphics from Li Xiaodong) 7. 用于多目标优化的微粒群优化算法 * * 多目标优化问题: Pareto支配 (Pareto dominance) : 对于给定解 ，我们说它支配解 ，当且仅当 7.2.相关概念 记为： * * 进一步解释： 解2 和 3, 解1和 2, 解1 和 3 是互不支配的； 解3支配解5和6，但不支配4 ； 解2支配解4、5和6。 * * 7.3 多目标微粒群优化算法 包含足够多的Pareto最优解，通过这些解可以近似给出真实 Pa