第九章智能优化粒子群算法教材.ppt

Particle Swarm Optimization(PSO) 粒子群算法 算法起源 粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。 CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。 CAS系统中的主体具有4个基本特点 首先，主体是主动的、活动的。 主体与环境及其他主体是相互影响、相互作用的，这种影响是系统发展变化的主要动力。 环境的影响是宏观的，主体之间的影响是微观的，宏观与微观要有机结合。 最后，整个系统可能还要受一些随机因素的影响。 简介 起源 生物社会学家对鸟群寻找食物行为的研究 原理 我们可以设想这样的一个场景，一群鸟再随机搜寻食物。这个区域里只有一块食物。所有的鸟都不知道食物再哪里，但他们知道目前距离食物还有多远，那么找到食物的最佳策略是什么？最简单的方法就是找寻距离食物最近的鸟之周围区域及根据自己本身飞行的经验判断食物的所在。 鳥群的覓食行為 PSO算法 PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值(Fitness Value )，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。Reynolds对鸟群飞行的研究发现。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群好像在一个中心的控制之下.即复杂的全局行为是由简单规则的相互作用引起的。 特点 分布式搜寻 具记忆性 组件较少，容易实现 适合在连续性的范围内搜寻 具体描述 PSO算法就是模拟一群鸟寻找食物的过程，每个鸟就是PSO中的粒子，也就是我们需要求解问题的可能解，这些鸟在寻找食物的过程中，不停改变自己在空中飞行的位置与速度。大家也可以观察一下，鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。这个过程我们转化为一个数学问题。寻找函数? y=1-cos(3*x)*exp(-x)的在[0,4]最大值。该函数的图形如下： y=1-cos(3*x)*exp(-x) 当x=0.9350-0.9450，达到最大值y=1.3706。为了得到该函数的最大值，我们在[0，4]之间随机的洒一些点，为了演示，我们放置两个点，并且计算这两个点的函数值，同时给这两个点设置在[0，4]之间的一个速度。下面这些点就会按照一定的公式更改自己的位置，到达新位置后，再计算这两个点的值，然后再按照一定的公式更新自己的位置。直到最后在y=1.3706这个点停止自己的更新。 第一次初始化 第一次更新位置 第二次更新位置 与粒子群算法对照 这两个点就是粒子群算法中的粒子。 该函数的最大值就是鸟群中的食物? 计算两个点函数值就是粒子群算法中的适应值，计算用的函数就是粒子群算法中的适应度函数。 更新自己位置的一定公式就是粒子群算法中的位置速度更新公式。 第21次更新 最后的结果（30次迭代） 算法介绍 每个寻优的问题解都被想象成一只鸟，我们也称为“Particle”粒子。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏。 每一个Particle必须赋予记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 算法流程 Initial： 将群族做初始化，以随机的方式求出每一Particle 之初始位置与速度。 Evaluation： 评价 依据fitness function 计算出其fitness value 以作为判断每一Particle之好坏。 Fine the Pbest： 找出每一Particle 到目前为止的搜寻过程中最佳解，这个最佳解我们将之称为Pbest。 Fine the Gbest： 找出所有Particle 到目前为止所搜寻到的整体最佳解，此最佳解我们称之为Gbest。 Update the Velocity： 依据式(1) 与式(2) 更新每一Particle之速度与位置。 回到步骤2. 继续执行，直到获得一个令人满意的结果或符合终止条件为止。 1. Initial 将群族做初始化，以随机的方式求出每一Particle 之初始