粒子群算法研究综述.doc

粒子群算法综述 控制理论与控制工程吕坤 一、粒子群算法的研究背景 　 人工智能经过半个世纪的发展，经历了由传统人工智能、分布式人工智能到现场人工智能等阶段的发展。到二十世纪九十年代，一些学者开始从各种活动和现象的交互入手，综合地由个体的行为模型开始分析社会结构和群体规律，于是90年代开始, 就产生了模拟自然生物群体(swarm)行为的优化技术。Dorigo等从生物进化的机理中受到启发, 通过模拟蚂蚁的寻径行为, 提出了蚁群优化方法；Eberhart和Kennedy 于1995年提出的粒子群优化算法是基于对鸟群、鱼群的模拟。这些研究可以称为群体智能(swarm-intelligence)。通常单个自然生物并不是智能的,但是整个生物群体却表现出处理复杂问题的能力,群体智能就是这些团体行为在人工智能问题中的应用。粒子群优化(Particle Swarm Optimization ,PSO)最初是处理连续优化问题的, 目前其应用已扩展到组合优化问题。由于其简单、有效的特点, PSO已经得到了众多学者的重视和研究。 二、粒子群算法的研究现状及研究方向 粒子群算法(PSO)自提出以来，已经历了许多变形和改进，包括数学家、工程师、物理学家、生物学家以及心理学家在内的各类研究者对它进行了分析和实验，大量研究成果和经验为粒子群算法的发展提供了各许多合理的假设和可靠的基础，并为实际的工业应用指引了新的方向。目前，PSO的研究也得到了国内研究者的重视，并已取得一定成果。 十多年来，PSO的研究方向得到发散和扩展，已不局限于优化方面研究。PSO算法按其研究方向分为四部分：算法的机制分析研究、算法性能改进研究、算法的应用研究及离散性PSO算法研究。算法的机制分析主要是研究PSO算法的收敛性、复杂性及参数设置。算法性能改进研究主要是对原始PSO算法的缺陷和不足进行改进，以提高原始PSO算法或标准PSO算法的一些方面的性能。目前技术与方法的改进主要是增加算法的多样性、加强局部搜索性及融合其它智能优化算法的技术；PSO算法的应用研究主要是关于如何利用PSO算法对工程技术、经济及社会等需要优化的问题求解，其中包括多目标问题、约束问题、动态问题和大量实际应用问题；离散PSO研究主要针对离散性的优化问题，PSO算法如何进行优化求解，原始PSO算法主要是解决连续性的优化问题，而离散性问题存在特殊性，因此离散性问题的求解，PSO算法需要一些特殊技术进行处理，其研究问题主要包括离散二进制问题和一般组合优化问题。(1)粒子群算法的改进 与许多仿生算法一样，粒子群算法现在还只是刚刚起步，本身有很多的不足之处需要改进，尤其它作为一种仿生算法，是对生物群体行为的模拟而产生的，那么如何对生物群体行为进行进一步研究，改善粒子群算法的性能，将是我们努力的一个方向。’ (2)PSO算法的理论基础的研究 虽然PSO算法已经在很多方面得到应用，但对其理论上的分析还非常薄弱，例如人们一直都没给出很完善的收敛性、收敛速度估计等方面的数学证明。如何利用有效数学工具对PSO算法的收敛性、计算复杂性以及对算法中的参数设置进行分析也是目前的研究热点之一。 (3)PSO算法与其他进化算法的比较和融合 粒子群算法作为一种新兴的算法，虽然在应用方面展现很好的发展前景，但与其它早期提出的算法，如遗传算法、蚁群算法相比，在各个方面都不太成熟，如何引进这些相对成熟的进化算法的优点来弥补粒子群算法目前的不足将是我们今后研究的一个方向。 (4)粒子群算法的应用 算法研究的目的是应用，而PSO算法已经在较广阔的领域崭露头角，并且由于其简单、易操作的特点，PSO算法在收敛速度和精度方面都有了很好的效果，但其中相当一部分仍处于仿真和试验阶段，离实际的问题还有很远的距离，需要作进一步的努力。同时考虑到PSO算法和遗传算法、蚁群算法等有很多相似地方，所以可以将PSO算法用到原来遗传和蚁群应用的工程问题中。如何将PSO算法用到更广阔的领域中去，同时研究应用中存在的问题都是值得关注的热点。 二、粒子群算法(PSO)的基本原理 粒子群优化算法是基于群体的演化算法,其思想来源于人工生命和演化计算理论。Reynolds 对鸟群飞行的研究发现,鸟仅仅是追踪它有限数量的邻居,但最终的整体结果是整个鸟群好像在一个中心的控制之下,即复杂的全局行为是由简单规则的相互作用引起的。PSO即源于对鸟群捕食行为的研究,一群鸟在随机搜寻食物,如果这个区域里只有一块食物,那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO算法就是从这种模型中得到启示而产生的,并用于解决优化问题。另外,人们通常是以他们自己及他人的经验来作为决策的依据,这就构成了PSO的一个基本概念。 PSO求解优化问题时,问题的解对应于搜索空间中一