粒子群优化算法在路径规划精要.pptVIP

c0的大小决定了对粒子当前速度继承的多少，称为惯性因子； c1决定了自身经验对粒子速度的影响程度，它保证了粒子能够向自己的历史最优位置靠近，称为学习因子； c2决定了群体经验对粒子个体速度的影响程度，它保证了粒子能够向群体中的其他粒子学习，使粒子在飞行时向邻域内所有粒子曾找到过的历史最优位置靠近，也称为学习因子． c0的大小决定了对粒子当前速度继承的多少，称为惯性因子； c1决定了自身经验对粒子速度的影响程度，它保证了粒子能够向自己的历史最优位置靠近，称为学习因子； c2决定了群体经验对粒子个体速度的影响程度，它保证了粒子能够向群体中的其他粒子学习，使粒子在飞行时向邻域内所有粒子曾找到过的历史最优位置靠近，也称为学习因子． 粒子群优化算法（PS0） 在路径规划中的应用 Particle Swarm Optimization 由Kennedy和Eberhart于1995年提出． 群体迭代，粒子在解空间追随最优的粒子进行搜索. 简单易行 粒子群算法: 收敛速度快 设置参数少 已成为现代优化方法领域研究的热点． 粒子群算法发展历史简介 粒子群算法的基本思想 粒子群算法的思想源于对鸟群捕食行为的研究． 模拟鸟群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。 《蚁群优化算法》一书的前言中写到： 大自然对我们的最大恩赐！ “自然界的蚁群、鸟群、鱼群、 羊群、牛群、蜂群等，其实时时刻刻都在给予 我们以某种启示，只不过我们常常忽略了 大自然对我们的最大恩赐！......” 粒子群算法的基本思想 设想这样一个场景：一群鸟在随机搜索食物 在这块区域里只有一块食物; 所有的鸟都不知道食物在哪里; 但它们能感受到当前的位置离食物还有多远. 已知 那么:找到食物的最优策略是什么呢？ 搜寻目前离食物最近的鸟的周围区域 ． 根据自己飞行的经验判断食物的所在。 PSO正是从这种模型中得到了启发． PSO的基础: 信息的社会共享 生物学家对鸟(鱼)群捕食的行为研究 社会行为 (Social-Only Model) 个体认知 (Cognition-Only Model) 粒子速度更新公式包含三部分： 第一部分为粒子先前的速度 第二部分为“认知”部分，表示粒子本身的思考，可理解为粒子i当前位置与自己最好位置之间的距离。 第三部分为“社会”部分，表示粒子间的信息共享与合作，可理解为粒子i当前位置与群体最好位置之间的距离。 粒子群优化算法流程图 开始 初始化粒子群 计算每个粒子的适应度 根据适应度更新pbest、gbest，更新粒子位置速度 结束 no yes 达到最大迭代次数或 全局最优位置满足最小界限？ 粒子群算法的构成要素-权重因子 　权重因子：惯性因子、学习因子 社会经验部分 前次迭代中自身的速度 自我认知部分 粒子的速度更新主要由三部分组成： 学习因子 无私型粒子群算法 “只有社会，没有自我” 迅速丧失群体多样性， 易陷入局优而无法跳出． 粒子群算法的构成要素 -权重因子 　权重因子：惯性因子、学习因子 社会经验部分 前次迭代中自身的速度 自我认知部分 粒子的速度更新主要由三部分组成： 自我认知型粒子群算法 “只有自我，没有社会” 完全没有信息的社会共享， 导致算法收敛速度缓慢 学习因子 粒子群算法的构成要素- 邻域的拓扑结构 全局粒子群算法和局部粒子群算法． 粒子群算法的邻域拓扑结构包括两种， 一种是将群体内所有个体都作为粒子的邻域， 另一种是只将群体中的部分个体作为粒子的邻域． 群体历史最优位置 邻域拓扑结构 决定 由此，将粒子群算法分为 粒子群算法的构成要素- 邻域的拓扑结构 全局粒子群算法 1. 粒子自己历史最优值 2. 粒子群体的全局最优值 局部粒子群算法 1. 粒子自己历史最优值 2. 粒子邻域内粒子的最优值 邻域随迭代次数的增加线性变大，最后邻域扩展到整个粒子群。 经过实践证明：全局版本的粒子群算法收敛速度快，但是容易陷入局部最优。局部版本的粒子群算法收敛速度慢，