粒子群优化算法.pptxVIP

粒子群优化算法Particle Swarm Optimization 优化问题 函数极值问题 背包问题 最短路径问题 形状优化 多孔材料的设计 拓扑问题 传统求解最优化问题的优化算法 优化问题 优化方法 优化问题 优化方法 群智能优化算法 人工蜂群算法 蚁群算法 人工鱼群算法 蛙跳算法 粒子群算法发展简介 Reynolds：Boid(Bird-oid) 模型（1987） 避免碰撞：飞离最近的个体，以避免碰撞 三条规则 速度一致：向目标前进，和邻近个体的平均速度保持一致 中心群集：向邻近个体的平均位置移动，向群体的中心运动 Heppner：新的鸟类模型（1990） 受栖息地吸引的特性 Kennedy和Eberhart：粒子群算法（1995） 粒子群算法的基本思想 食物 搜寻目前离的食物最近的鸟的周围区域 根据自己飞行的经验判断食物所在 PSO概述 每个寻优的问题解都被想像成一只鸟，称为“粒子”。 所有的粒子都由一个Fitness Function 确定适应值以判断目前的位置好坏。 每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。 每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。 PSO求最优解 D维空间中，有m个粒子； 粒子i位置：xi=(xi1,xi2,…xiD)，将xi代入适应函数F(xi)求适应值； 粒子i速度：vi=(vi1,vi2,…viD) 粒子i个体经历过的最好位置：pbesti=(pi1,pi2,…piD) 种群所经历过的最好位置：gbest=(g1,g2,…gD) 通常，在第d（1≤d≤D）维的位置变化范围限定在[Xmin,d ,Xmax,d]内，速度变化范围限定在[-Vmax,d ,Vmax,d]内。 gbest vi PSO求最优解 粒子i的第d维速度更新公式： 粒子i的第d维位置更新公式： —第k次迭代粒子i飞行速度矢量的第d维分量 —第k次迭代粒子i位置矢量的第d维分量 c1,c2—加速度常数，调节学习最大步长 r1,r2—两个随机函数，取值范围[0，1]，以增加搜索随机性 w —惯性权重，非负数，调节对解空间的搜索范围 PSO求最优解 gbest Inertia Weight 惯性部分 社会认知 个体认知 PSO算法流程 Initialize Evaluation Find the Pbest Find the Gbest Update the Position Convergence Judgment Evaluation 根据 Fitness Function计算出其 Fitness Value 以作为判断每一Particle之好坏 Initialize 将群族初始化，以随机的方式求出每一Particle的初始位置与速度 PSO算法流程 Find the Pbest Find the Gbest Update the Position Convergence Judgment Find the Pbest 找出每个Particle 到目前为止的搜寻过程中最优解，这个最优解我们称为Pbest Evaluation Initialize PSO算法流程 Find the Pbest Find the Gbest Update the Position Convergence Judgment Evaluation Initialize Find the Gbest 找出所有Particle 到目前为止所搜寻到的全体最优解，此最优解我们称之为Gbest PSO算法流程 Find the Pbest Find the Gbest Update the Position Convergence Judgment Evaluation Initialize Update the Position 根据速度和位移更新公式，更新每个Particle的移动方向与速度 Convergence Judgment 通常算法达到最大迭代次数Gmax或者最佳适应度函数值的增量小于某个给定的罚值时算法停止；否则返回步骤2。 PSO算法流程图 粒子群算法的构成要素 群体大小m m是一个整形参数 m很小：陷入局部最优解的可能性很大 m很大：PSO的优化能力很好，计算量大 粒子群算法的构成要素 权重因子——惯性权重w w=0：粒子很容易趋向于同一位置 w小：倾向于局部探索,精细搜索目前的小区域 w大：扩展新的搜索区域,利于全局搜索 Inertia Weight 惯