粒子群优化算法综述..docx

粒子群优化(PSO)算法[摘要]粒子群优化(PSO)算法是一种新兴的优化技术,其思想来源于人工生命和演化计算理论。PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优化。该算法简单易实现, 可调参数少,已得到广泛研究和应用。详细介绍了PSO的基本原理、其特点、各种改进方式及其应用等,并对其未来的研究进行展望。[关键词]群体智能;优化算法;粒子群优化1、前言从20世纪90年代初,就产生了模拟自然生物群体(swarm)行为的优化技术。Dorigo等从生物进化的机理中受到启发,通过模拟蚂蚁的寻径行为,提出了蚁群优化方法;Eberhart和Kennedy于1995年提出的粒子群优化算法是基于对鸟群、鱼群的模拟。这些研究可以称为群体智能(swarmintelligence)。通常单个自然生物并不是智能的,但是整个生物群体却表现出处理复杂问题的能力,群体智能就是这些团体行为在人工智能问题中的应用。粒子群优化(PSO)最初是处理连续优化问题的,目前其应用已扩展到组合优化问题。由于其简单、有效的特点,PSO已经得到了众多学者的重视和研究。粒子群算法在求解优化函数时，表现出较好的寻优能力。特别是针对复杂的工程问题，通过迭代寻优计算，能够迅速找到近似解，因而粒子群算法在工程计算中被广泛应用。2、PSO 基本原理粒子群优化算法是基于群体的演化算法,其思想来源于人工生命和演化计算理论。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。PSO即源于对鸟群捕食行为的研究,一群鸟在随机搜寻食物,如果这个区域里只有一块食物,那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO算法就是从这种模型中得到启示而产生的,并用于解决优化问题。另外,人们通常是以他们自己及他人的经验来作为决策的依据,这就构成了PSO的一个基本概念。PSO求解优化问题时,问题的解对应于搜索空间中一只鸟的位置,称这些鸟为“粒子”(particle)或“主体”(agent)。每个粒子都有自己的位置和速度(决定飞行的方向和距离),还有一个由被优化函数决定的适应值。各个粒子记忆、追随当前的最优粒子,在解空间中搜索。每次迭代的过程不是完全随机的,如果找到较好解,将会以此为依据来寻找下一个解。令PSO初始化为一群随机粒子(随机解),在每一次迭代中,粒子通过跟踪两个“极值”来更新自己:第一个就是粒子本身所找到的最好解,叫做个体极值点(用表示其位置),全局版PSO中的另一个极值点是整个种群目前找到的最好解,称为全局极值点(用gbest表示其位置),而局部版PSO不用整个种群而是用其中一部分作为粒子的邻居,所有邻居中的最好解就是局部极值点(用表示其位置)。在找到这两个最好解后,粒子根据如下的式(1)和式(2)来更新自己的速度和位置。粒子i 的信息可以用D维向量表示,位置表示为,速度为,其他向量类似.在每一次迭代中，评价各微粒的目标函数，确定t时刻每个微粒所经过的最佳位置以及群体所发现的最佳位置，通过跟踪这两个最佳位置式（1）和（2）分别更新各微粒的速度和位置。 (1),j=1,…,d （2）,是加速系数(或称学习因子),分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长,若太小,则粒子可能远离目标区域,若太大则会导致突然向目标区域飞去,或飞过目标区域。合适的c1,c2可以加快收敛且不易陷入局部最优,通常令;和为0到1之间均匀分布的随机数。通过设置微粒的速度区间和位置范围,则可以对微粒的移动进行适当的限制。基本PSO的流程可以描述为:Step1初始化初始搜索点的位置X0i及其速度V0i通常是在允许的范围内随机产生的,每个粒子的坐标设置为其当前位置,且计算出其相应的个体极值(即个体极值点的适应度值),而全局极值(即全局极值点的适应度值)就是个体极值中最好的,记录该最好值的粒子序号,并将设置为该最好粒子的当前位置。Step2评价每一个粒子计算粒子的适应度值,如果好于该粒子当前的个体极值,则将设置为该粒子的位置,且更新个体极值。如果所有粒子的个体极值中最好的好于当前的全局极值, 则将设置为该粒子的位置,记录该粒子的序Step3粒子的更新，用式(1)和式(2)对每一个粒子的速度和位置进行更新。Step4检验是否符合结束条件，如果当前的迭代次数达到了预先设定的最大次数(或达到最小错误要求),则停止迭代,输出最优解,否则转到。PSO的一些特点:1)基本PSO算法最初是处理连续优化问题的。2)类似于遗传算法(GA)，PSO也是多点搜索。3)式(1)的第一项对应多样化(diversification)的特点,第二项、第三项对应于搜索过程的集中化(i