PSO算法讲解.docVIP

河南理工大学 计算机科学与技术学院 课程设计报告 2014— 2015学年第一学期 课程名称 Java语言程序设计 设计题目 用pso算法解决TSP问题 指导教师 刘 志 中 2016年 1月7日 目录 一．课程设计内容 4 (一)课程设计题目 4 (二)课程设计目的 4 (三)课程设计要求 4 二．算法相关知识 4 (一) 遗传算法简介 4 (二) 基本粒子群优化算法 5 (三) 粒子群算法的运算流程 5 三.算法的JAVA实现 5 (一)程序设计思想 5 1．粒子群优化算法的改进策略 5 2．粒子群初始化 6 3. 邻域拓扑 6 4?混合策略 7 5. 对参数的仿真研究 8 (二)主要程序代码 9 1. 绘制函数图像的代码如下： 9 2.代码实现 9 (二)运行结果 13 四. 课程设计的总结体会 14 五．参考文献 14  一．课程设计内容 (一)课程设计题目 PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。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优解.这个解叫做个体极值pb，另一个极值是整个种群目前找到的最优解,这个极值是全局极值gb，在找到这两个最优值。 (二)课程设计目的 1.训练应用算法求解实际问题； 2训练应用Java语言实现具体问题的求解算法； 3.到达理解java语言的应用特点以及熟练应用java语言的目标。 (三)课程设计要求 1.读懂算法，理解算法计算过程中每一步操作是如何实现的； 2.设计函数优化的编码格式； 3.采用java 语言编程实现算法的求解过程； 4.掌握遗传算法的基本原理 ,了解在JAVA 环境中实现遗传算法各算子的方程方法。并以此例说明所编程序在函数全局寻优中的应用。 二．算法相关知识 (一) 遗传算法简介 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法。 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发，进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上，利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解。 PSO同遗传算法类似，是一种基于迭代的优化算法。系统初始化为一组随机解，通过迭代搜寻最优值。但是它没有遗传算法用的交叉(crossover)以及变异(mutation)，而是粒子在解空间追随最优的粒子进行搜索。同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。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他遗传算法的应用领域。 (二) 基本粒子群优化算法 粒子群优化算法又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能的一种。它可以被纳入多主体优化系统粒子群优化算法是由Eberhart博士和kennedy博士发明。PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次叠代中，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优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值。 (三) 粒子群算法的运算流程 PSO的算法流程如下: Step 1: 初始化一群粒子(群体规模为m),包括随机位置和速度; Step 2: 评价每个粒子的适应度; Step 3: 对每个粒子,将其适应值与其经历过的最好位置pbest作比较,如果较好,则将其作为当前的最好位置pbest; Step 4: 对每个粒子,将其适应值与全局所经历的最好位置gbest作比较,如果较好,则