.答辩幻灯片课件.pptVIP

目录 1 粒子群优化算法的背景 2 粒子群优化算法 3 粒子群算法在函数优化上的应用 4 粒子群优化算法用Visual C++实现 5 总 结 6 致谢 粒子群优化算法的背景 计算智能与进化计算 计算智能（computing intelligence）涉及神经计算﹑模糊计算﹑进化计算等研究领域。 进化计算(evolutionary computation)是指一类以达尔文进化论为依据来设计﹑控制和优化人工系统的技术和方法的总称，它包括遗传算法进化策略和进化规划 。 人工生命 人工生命是研究能够演示出自然生命系统特性行为的人造系统 群智能 智能是个体或群体在不确定的动态环境中做出适当反应的能力，这种反应必须有助于其实现最终的行为目标。 计算智能（Computational Intelligence, CI）领域中，有两种基于群智能(Swarm Intelligence, SI)的算法：蚂蚁算法和粒子群优化算法 粒子群优化算法 1. PSO算法基本原理 粒子群优化算法是1995 年由Kennedy和Eberhart于提出的一种优化算法。PSO 在算法的运行机理不是依靠个体的自然进化规律，而是对生物群体的社会行为进行模拟。 PSO 算法和遗传算法（Genetic Algorithm，GA）类似，也是一种基于迭代的优化工具，系统初始化一组随机解，通过某种方式迭代寻找最优解。 2 . 算法流程 （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 　　　 pBest比较，如果较好，则替换pBest 。 （4）. 对每个粒子，用它的适应度值和全局极值 　　　 gBest比较，如果较好，替换gBest 。 （5）. 根据公式 　v[] = w*v[ ] + c1 * rand() * (pBest[ ] - present[ ]) 　　　+ c2 * Rand()*(gBest[ ] - present[ ]) present[ ] = present[ ] + v[ ] 　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，否则回到（2）。 　　 (2) 学习因子 C1、C2 用来控制粒子自身的记忆和同伴的记忆 之间相对影响。合适的选择可以提高算法速度、避免局部极小。在认为C1=C2=2 是好的选择，但实验也说明了C1=C2=0.5 也能得到好的结果。 (3) 最大速度 一般来说，Vmax 的选择不应超过的粒子宽度范围，如果Vmax 太大，粒子可能飞过最优解的位置；如果太小，可能降低粒子的全局收索能力。 粒子群算法在函数优化上的应用  许多实际的工程问题本质上是函数优化问 题 或 者可以转换为函数优化问题进行求解,对于函数优化 已经有一些成熟的解决方法如遗传算法。 选择的优化函数为: 优化结果: 粒子群优化算法用Visual C++实现 1 .启动封面 为了使界面更加美观，使用户在操作之前对程序有一定的了解，特加入启动封面，封面 上有关于粒子群优化算法的简单介绍。 程序中加入CSplashWnd 类，在类中语句 　 if (!m_bitmap.LoadBitmap(IDB_BITMAP2)) 中修改位图的ID，可更改显示位图。 启动封面如下图: 2. 在客户区插入位图和字体 在单文档的客户区显示位图，并有动态字体显示，可使程序更加美观 字体在窗口客户区的滚动效果为：字符串“欢迎访问粒子群优化算法”在窗口中第一个从 下向上滚动，接着是字符串“制作人：崔方杰” 从左向右滚动，移动完后字符串“指导老师：陈永刚”从右向左开始移动。移动到对应位置后，窗口停止重画。 3. 粒子群算法在函数优化上的实现 在打开的粒子群优化算法对话框中，在输入区输入粒子数和迭代次数，在优化函数选择区，点击所对应的单选按钮，选择优化函数。然后点击开始优化按钮，如果输入数据合法，则开始优化，