第6章粒子群算法基本理论答辩.pptVIP

* * 第6章 粒子群算法基本理论 6.1 粒子群算法的概述 6.1.1 粒子群算法的概念 6.1.2 粒子群算法的发展 6.1.3 粒子群算法的特点 6.1.4 粒子群算法的分类 6.2 粒子群算法的基本原理 6.2.1 生物学机理 6.2.2 传统PSO算法原理 6.2.3 标准PSO算法原理 6.2.4 PSO算法流程 6.2.5 全局和局部最优PSO算法 6.2.6 PSO算法参数分析 6.3 粒子群算法与其他算法的比较 6.3.1 与遗传算法的比较 6.3.2 与蚁群算法的比较 6.4 粒子群算法的应用 6.5 粒子群算法的研究方向 6.1 粒子群算法概述 6.1.1 粒子群算法的概念 粒子群优化算法（Particle Swarm Optimization，简称PSO）又称为粒子群算法、微粒算法，是通过模拟鸟类群体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，属于启发式全局优化算法。 粒子群算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。 6.1 粒子群算法概述 6.1.2 粒子群算法的发展 ? 萌芽阶段 1986年，人工生命、计算机图形学专家 Craig Reynolds提出了简单的人工生命系统——boid模型（解释为bird like object），模拟了鸟类在飞行过程中分离、列队和聚集三种聚群飞行行为，并能感知到周围一定范围内其他boid的飞行信息。boid根据该信息，结合当前自身的飞行状态，在三条简单行为规则的指导下，做出下一步的飞行决策。 6.1 粒子群算法的概述 Craig Reynolds 生于1953年3月15日 ? 避免碰撞：飞离最近的个体，以避免碰撞； ? 速度一致：和邻近的个体的平均速度保持一致； ? 向中心聚集：飞向群体的中心，向邻近个体的平均位置移动。 1990年，生物学家Frank Heppner建立了鸟类模型。一群小鸟为找到合适的栖息地在空中飞行 ，当群体中的一只发现较为合适的栖 息地时，它会毫不犹豫地飞向这个栖 息地，同时也将信息传给周围的小鸟 ，使周围的小鸟快速来到这里，最终 把整个群体吸引到合适的栖息地。 6.1 粒子群算法的概述 ? 发展阶段 1995年，美国社会心理学家James Kennedy博士和电气工程师Russell Eberhart博士根据对鸟群捕食行为的研究，提出了粒子群算法。分别在日本和澳大利亚召开的两个国际会议上发表了两篇文章，标志着粒子群算法的诞生。 [1] Kennedy J，Eberhart R，Particle swarm optimization， Proceeding of the IEEE International Conference on Neural Networks，1995，1942~1948 [2] Eberhart R，Kennedy J，A new optimizer using particle swarm theory，Proceeding of the 6th International Symposium on Micro-Machine and Human Science， 1995，39~43 6.1 粒子群算法的概述 社会心理学家 James Kennedy博士 电气工程师 Russell Eberhart博士 1998年，Yuhui Shi和Russell Eberhart在IEEE Congress on Evolution-ary Computation（69~73）上发表了题为A modified particle swarm optimizer的学术论文，首次对基本粒子群算法引入惯性权重修正了速度更新公式，修正后的公式已经为大多数研究者所使用。 从1998年开始，进化计算领域的著名会议IEEE CEC（Congress on Evolutionary Computation，国际进化计算会议）开始设置PSO算法的专题讨论，与计算智能相关的重要国际会议PPSN（Parallel Problem Solving from Neture）和GECCO（Gen-etic and Evolutionary Computation Conference）都将PSO算法作为