优化原理与方法14报告.pptVIP

§7.2 蚁群算法 * §7.2 蚁群算法 * §7.2 蚁群算法 * §7.2 蚁群算法 * 粒子群算法英文缩写为PSO(Particle Swarm Optimization)是由Eberhart博士和 kennedy博士于1995年提出。 所谓粒子群算法，实际上是一种模仿鸟类群体行为的进化算法。这种算法体现着一种简单朴实的智能思想：鸟类使用简单的规则来确定自己的飞行方向和速度，试图在跟随群体移动、追寻目标的同时，还不至于相互碰撞。 简单规则： （1）飞离最近的个体，以避免碰撞。（2）飞向目标。(3)飞向群体的中心。 一、粒子群算法介绍 §7 现代仿生算法§7.3 粒子群算法 * 二、基本粒子群算法 每个个体被视为搜索空间中一个没有重量和体积的粒子，并在搜索空间以一定的速度飞行，该飞行速度则由个体和群体的飞行经验进行动态调整，从而获得一个很好的寻优方案 。 为粒子i的当前位置。 为粒子i的当前飞行速度。 为粒子i 所经历的最好位置，也就是粒子i 所经历的具有最好适应值的位置，称为个体最好位置。对于最小化问题，目标函数值越小，对应的适应值越好。 为了讨论方便，设 f (x)为最小化的目标函数，则粒子i 的当前最好位置由下式确定 §7.3 粒子群算法 * 设群体中的粒子为S，群体中所有粒子所经历过的最好位置为 ，称为全局最好位置。 有了以上定义，基本粒子群算法的进化方程可描述为 §7.3 粒子群算法 * 其中：下标“j”表示粒子的第j维，“i ”表示粒子i, t 表示第t 代，c1、c2为加速常数，通常在0~2之间，rand( )是在（0,1）均匀分布且相互独立的随机函数。从上述粒子进化方程可以看出，c1调节粒子飞向自身最好位置方向的步长，c2调节粒子向全局最好位置飞行的步长。为了减少在进化过程中，粒子离开搜索空间的可能性，飞行速度通常限定在一定的范围内即 §7.3 粒子群算法 * 三、基本粒子群算法的初始化过程 （a）设定群体规模 N。 （b） 对任意 i, j 在 内服从均匀分布产生。 （c） 对任意 i, j 在 内服从均匀分布产生。 （d）对任意i，设 = 。 §7.3 粒子群算法 * 四、算法流程 （a）依照初始化过程，对粒子群的随机位置和速度进行初始设定。 （b）计算每个粒子的适应值。 （c）对于每个粒子，将其适应值与所经历过的最好位置的适应值进行比较，若较好，则将其作为当前的最好位置。 （d）对每个粒子，将其适应值与全局所经历的最好位置的适应值进行比较，若较好，则将其作为当前的全局最好位置。 （e）根据方程（1）（2）对粒子的速度和位置进行进化。 （f）如未达到结束条件（通常为足够好的适应值或达到一个预设最大代数），则返回步骤（b）。 §7.3 粒子群算法 * §7.3 粒子群算法 * 五、基本粒子群算法的社会行为分析 在上式（1）所描述的速度进化方程中，其第一部分为粒子先前的速度；其第二部分为“认知’部分，因为它仅考虑了粒子自身的经验，表示粒子本身的思考。如果基本粒子群算法的速度进化方程仅包含认知部分，即 则其性能变差。主要原因是不同的粒子间缺乏信息交流，即没有社会信息共享，粒子间没有交互，使得一个规模为 N的群体等价于运行了N个单个粒子，因而得到最优解的概率非常小。式（1）中的第三部分为“社会”部分，表示粒子间的社会信息共享。 若速度进化方程中仅包含社会部分，即 则粒子没有认知能力。 §7.3 粒子群算法 * 若 ， 则表示粒子速度的进化方程仅保留第一部分，此时，粒子将会保持速度不变，沿该方向一直“飞”下去直至到达边界。因而，在这种情况下，粒子很难搜索到较优解。 若 此时粒子的速度将取决于其历史最优位置与群体的历史最优位置，从而导致速度的无记忆性。假设在开始时，粒子i 处于整体的最优位置，则按照式（3）它将停止进化直到群体发现更好的位置。这表明，整个粒子群的搜索区域将会收缩到当前最优位置附近，即如果没有第一项，则整个进化方程具有很强的局部搜索能力。 综上可知：粒子速度的进化方程的第一项用于保证算法具有一定的全局搜索能力。第二和第三项使粒子群算法具有局部收敛能力。 §7.3 粒子群算法 * 六、带有惯性因子的改进粒子群算法 对于不同问题，如何