粒子群算法简介及使用教材.doc

粒子群算法 题目：求的最小值 1粒子群简介 粒子群优化算法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。粒子群优化算法是由Kennedy和Eberhart通过对鸟群、鱼群和人类社会某些行为的观察研究，于1995年提出的一种新颖的进化算法。 PSO 算法属于HYPERLINK /view/1798674.htm进化算法的一种，和HYPERLINK /view/45853.htm遗传算法相似，它也是从随机解出发，通过迭代寻找HYPERLINK /view/1009692.htm最优解，它也是通过HYPERLINK /view/2167684.htm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”和“HYPERLINK /view/9649.htm变异” 操作，它通过追随当前搜索到的HYPERLINK /view/1009693.htm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。 2算法的原理 PSO从这种模型中得到启示并用于解决优化问题。PSO 中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适值( fitness value) ，每个粒子还有一个速度决定它们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 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，这个解称为个体极值；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。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 假设在一个维的目标搜索空间中，有个粒子组成一个群落，其中第个粒子表示为一个维的向量 ， 第个粒子的“飞行 ”速度也是一个维的向量，记为 ， 第个粒子迄今为止搜索到的最优位置称为个体极值，记为 ， 整个粒子群迄今为止搜索到的最优位置为全局极值，记为 在找到这两个最优值时，粒子根据如下的公式(2.1)和( 2.2)来更新自己的速度和位置： (2.1) (2. 2) 其中：和为学习因子，也称加速常数，和为[0，1]范围内的均匀随机数。式(2.1)右边由三部分组成，第一部分为“惯性”或“动量”部分，反映了粒子的运动“习惯”，代表粒子有维持自己先前速度的趋势；第二部分为“认知”部分，反映了粒子对自身历史经验的记忆或回忆，代表粒子有向自身历史最佳位置逼近的趋势；第三部分为“社会”部分，反映了粒子间协同合作与知识共享的群体历史经验，代表粒子有向群体或邻域历史最佳位置逼近的趋势，根据经验，通常。。是粒子的速度，，是常数，由用户设定用来限制粒子的速度。和是介于[0,1]之间的随机数。 探索是偏离原来的寻优轨迹去寻找一个更好的解，探索能力是一个算法的全局搜索能力。开发是利用一个好的解，继续原来的寻优轨迹去搜索更好的解，它是算法的局部搜索能力。如何确定局部搜索能力和全局搜索能力的比例，对一个问题的求解过程很重要。带有惯性权重的改进粒子群算法。其进化过程为： （2.3） （2.4） 在式(2.1)中，第一部分表示粒子先前的速度，用于保证算法的全局收敛性能；第二部分、第三部分则是使算法具有局部收敛能力。可以看出，式（2.3)中惯性权重表示在多大程度上保留原来的速度。较大，全局收敛能力强，局部收敛能力弱；较小，局部收敛能力强，全局收敛能力弱。 当时，式(2.3)与式(2.1)完全一样，表明带惯性权重的粒子群算法是基本粒子群算法的扩展。实验结果表明，在之间时，PSO算法有更快的收敛速度，而当时，算法则易陷入局部极值。 3 基本粒子群算法流程 算法的流程如下： ① 初始化粒子群，包括群体规模，每个粒子的位置和速度 ② 计算每个粒子的适应度值； ③ 对每个粒子，用它的适应度值和个体极值比较，如果 ，则用替换掉； ④ 对每个粒子，用它的适应度值和全局极值比较，如果则用替； ⑤ 根据公式（2.1），（2.2）更新粒子的速度和位置 ； ⑥ 如果满足结束条件(误差足够好或到达最大循环次数)退出，否则返回②。 4参数的设定 PSO的参数主要包括最大速度、两个加速常数和惯性常数或收缩因等。 群体大小m m是个整形参数，m很小的时候，陷入局优的可能性很大。当m很大时，PSO的优化能力很好，可是收敛速度