粒子群优化算法(详细易懂_很多例子)精要.ppt

粒子群优化算法（PS0）;智能算法;解决最优化问题的方法; 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．;粒子群算法的基本思想;;粒子群算法的基本思想;;粒子群特性;算法介绍 ;粒子群优化算法求最优解 ;;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。;區域 最佳解;;算法流程;粒子群优化算法流程图;;粒子群算法的构成要素 -群体大小 m ;;粒子群算法的构成要素-权重因子 ;;粒子群算法的构成要素-权重因子 ;粒子群算法的构成要素-最大速度 ;粒子群算法的构成要素- 邻域的拓扑结构 ;粒子群算法的构成要素- 邻域的拓扑结构 ; 粒子群算法的构成要素 -停止准则 ; 粒子群算法的构成要素 - 粒子空间的初始化 ;3. 粒子群算法示例 ;初始位置： ;初始速度： ;初始速度： ;更新粒子的速度和位置： ;更新速度，得：;更新位置，得：;更新位置，得：;重复上述步骤，将迭代进行下去． ; 从上述结果，可以看出，经过10000次迭代， 粒子群算法得到了比较好的适应值. ;4. 粒子群算法流程 ;惯性权重;线性递减权值;1999年，Clerc引入收缩因子以保证算法的收敛性。 速度更新公式为 其中，收缩因子K为受φ1 φ2 限制的w。φ1 φ2是需要预先设定的模型 参数 收缩因子法控制系统行为最终收敛，且可以有效搜索不同区域，该法 能得到较高质量的解。;PSO应用;PSO存在的问题（1）;PSO存在的问题（2）;PSO研究热点;PSO研究热点;PSO研究热点;