微粒群优化算法.docVIP

微粒群优化算法 wangyu 摘 要 微粒群优化（PSO）算法是一类随机全局优化技术，PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际进化计算界研究的热点。本文介绍了基本的PSO算法、若干类改进的PSO算法及其应用。 关键词 微粒群优化;进化计算;群智能 引言 微粒群优化算法(PSO)是一种进化计算技术，Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究 PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉以及变异。而是粒子在解空间追随最优的粒进行搜索。目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其遗传算法的应用领域人工生命是来研究具有某些生命基本特征的人工系统 现在已经有很多源于生物现象的计算技巧 例如 人工神经网络是简化的大脑模型 遗传算法是模拟基因进化过程的现在我们讨论另一种生物系统- 社会系统 更确切的是 在由简单个体组成的群落与环境以及个体之间的互动行为 也可称群智能 这些模拟系统利用局部信息从而可能产生不可预测的群体行为例如floys 和 boids 他们都用来模拟鱼群和鸟群的运动规律主要用于计算机视觉和计算机辅助设计在计算智能领域有两种基于群智能的算法蚁群算法和粒群算法前者是对蚂蚁群落食物采集过程的模拟已经成功运用在很多离散优化问题上粒群优化算法(PSO) 也是起源对简单社会系统的模拟 最初设想是模拟鸟群觅食的过程 但后来发现PSO是一种很好的优化工具如前所述，PSO模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示并用于解决优化问题。,φ=φ1+φ2,φ4。这对应于式(1)中一种特殊的参数组合,其中K即一种受φ1和φ2限制的w,而c1=K*φ1,c2=K*φ2。这些参数也可以通过模糊系统进行调节。Shi和Eberhart提出一个模糊系统来调节w,该系统包括9条规则,有两个输入和一个输出,每个输入和输出定义了3个模糊集。一个输入为当前代的全局最好适应值,另一个为当前的w;输出为w的变化。结果显示该方法能大为提高平均适应值。此外,群体的初始化也是影响算法性能的一个方面。Angeline对不对称的初始化进行了实验,发现PSO只是略微受影响。Ozcan和Mohan通过假设w=1,c1和c2为常数,pbest和gbest为固定点,进行理论分析,得到一个微粒随时间变化可以描述为波的运行,并对不同的感兴趣的区域进行了轨迹分析。这个分析可以被Kennedy的模拟结果支持。一个寻求优值位置的微粒尝试着操纵它的频率和幅度,以捕获不同的波。w可以看作是修改了感兴趣的区域的边界,而Vmax则帮助微粒跳到另外一个波。 应用 　　PSO算法已得到广泛应用,本文简要介绍一些例子。PSO最直接的应用或许就是多元函数的优化问题,包括带约束的优化问题。如果所讨论的函数受到严重的噪音干扰而呈现非常不规则的形状,同时所求的不一定是精确的最优值,则PSO算法能得到很好的应用。比如在半导体器件综合方面,需要在给定的搜索空间内根据所希望的器件特性来得到符合要求的设计参数,而所能利用的器件模拟器通常得到的特性空间是高度非线形的。我们用PSO替换GAs进行了计算,发现PSO能比GAs更快地找到较高质量的设计参数。另外,还有一种应用更广泛的方法:简单而有效地演化的人工神经网络,不仅用于演化网络的权重,而且包括网络的结构。作为一个演化神经网络的例子,PSO算法已应用于分析人的颤抖。对人颤抖的诊断,包括帕金森(Parkinson)病和原发性颤抖,是一个非常具有挑战性的领域。PSO已成功地应用于演化一个用来快速和准确地辨别普通个体和有颤抖个体的神经网络,而网络的输入则为从一个活动变化记录系统中获得的归一化的移动振幅。另一个应用例子是使用PSO对一个电气设备的功率反馈和电压进行控制。这里,采用一种二进制与实数混合的PSO算法来决定对连续和离散的控制变量的控制策略,以得到稳定的电压。此外,PSO还在动态问题中得到应用。一般而言,PSO与其他演化算法一样,能用于求解大多数优化问题。在这些领域中,最具潜力的有系统设计、多目标优化、分类、模式识别、信号处理、机器人技术应用、决策制定、模拟和证明等。例子包括模糊控制器设计、工作调度、实时机器人路径设计和图像分割等。 结论 　　PSO算法是一种相当简单的算法,只需很少的代码和参数,但