微粒群算法〔PSO〕简要介绍.pptVIP

微粒群算法 微粒全算法英文缩写为PSO(particle Particle Swarm Optimization)是由Eberhart博士和kennedy博士于1995年提出。 所谓微粒群算法，实际上是一种模仿鸟类全体行为的进化算法。这种算法体现着一种简单朴实的智能思想：鸟类使用简单的规则来确定自己的飞行方向和速度，试图停落在鸟类中而不至于相互碰撞。 简单规则： （1）飞离最近的个体，以避免碰撞。（2）飞向目标。(3)飞向群体的中心。 二、基本微粒群算法 每个个体被视为搜索空间中的一个没有重量和体积的微粒，并在搜索空间以一定的速度飞行，该飞行速度则由个体和群体的飞行经验进行动态调整，从而获得一个很好的寻优方案 。 为微粒i的当前位置。 为微粒i的当前飞行速度。 为微粒i所经历的最好位置，也就是微粒i所经历的具有最好适应值的位置，称为个体最好位置。对于最小化问题，目标函数值越小，对应的适应值越好。 为了讨论方便，设f(x)为最小化的目标函数，则微粒i的当前最好位置由下式确定 设群体中的微粒为S，群体中所有微粒所经历过的最好位置为，称为全局最好位置。 则 有了以上定义，基本微粒全算法的进化方程可描述为 其中：下标“j”表示微粒的第j维，“i”表示微粒i,t 表示第t代，c1、c2为加速常数，通常在0~2之间rand()是（0,1）均匀分布相互独立的随机函数。从上述微粒进化方程可以看出，c1调节微粒飞向自身最好位置方向的步长，c2调节微粒向全局最好位置飞行的步长。为了减少在进化过程中，微粒离开搜索空间的可能性，飞行速度通常限定在一定的范围内即 三、基本微粒群算法的初始化过程 （a）设定群体规模N。 （b） 对任意i,j在 内服从均匀分布产生 。 （c） 对任意i,j在 内服从均匀分布产生 。 （d）对任意i，设 = 。 四、算法流程 （a）依照初始化过程，对微粒群得随机位置和速度进行初始设定。 （b）计算每个微粒的适应值。 （c）对于每个微粒，将其适应值与所经历过的最好位置的适应值进行比较，若较好，则将其作为当前的最好位置。 （d）对每个微粒，将其适应值与全局所经历的最好位置的适应值进行比较，若较好，则将其作为当前的全局最好位置。 （e）根据-方程（1）（2）对微粒的速度和位置进行进化。 （f）如未达到结束条件通常为足够好的适应值或达到一个预设最大代数，则返回步骤（b）。 五、基本微粒群算法的社会行为分析 在上式（1）所描述的速度进化方程中，其第一部分为微粒先前的速度；其第二部分为“认知’部分，因为它仅考虑了微粒自身的经验，表示微粒本身的思考。如果基本微粒群算法的速度进化方程仅包含认知部分，即 则其性能变差。主要原因是不同的微粒间缺乏信息交流，即没有社会信息共享，微粒间没有交互，使得一个规模为N的群体等价于运行了N个单个微粒，因而得到最优解的概率非常小。式（1）中的第三部分为“社会”部分，表示微粒间的社会信息共享。若速度进化方程中仅包含社会部分，即 则微粒没有认知能力。 若 则表示微粒速度的进化方程仅保留第一部分，此时，微粒将会保持速度不变，沿该方向一直“飞”下去直至到达边界。因而，在这种情况下，微粒很难搜索到较优解。 若 此时微粒的速度将取决与其历史最有位置与群体的历史最优位置，从而导致速度的无记忆性。假设在开始时，微粒i处于整体的最优位置，则按照式（3）它将停止进化知道群体发现更好的位置。这表明，整个微粒群得搜索区域将会收缩到当前最优位置附近，即如果没有第一项，则整个进化方程具有很强的局部搜索能力。综上可知：微粒速度的进化方程的第一项用于保证算法具有一定的全局搜索能 力。第二和第三项使微粒群算法具有局部收敛能力。 六、带有惯性因子的改进微粒群算法 对于不同问题，如何确定局部搜索能力与全局搜索能力的比例关系，对于其求解的过程非常重要。因此，Yuhui Shi提出了带有惯性权重的改进微粒群算法，其进化方程为： 惯性权重w表明微粒原先的速度能在多大程度上得到保留。此外，惯性权重w类似模拟退火中的温度，较大的w有较好的全局收敛能力，而较小的w有较强的局部收敛能 - 力。因此，随着迭代次数的增加，惯性权重应不断减小，从而使得微粒群算法在初期具有较强的全局收敛能力，而晚期具有较强的局部收敛能力。 七、带有收缩因子的微粒群算法 19