第六章 粒子群算法更新.ppt

第六章粒子群算法 简介 起源 生物社会学家对鸟群捕食的行为研究。 原理 我们可以设想这样的一个场景，一群鸟再随机搜寻食物。这个区域里只有一块食物。所有的鸟都不知道食物再哪里，但他们知道目前距离食物还有多远，那么找到食物的最佳策略是什么？最简单的方法就是找寻距离食物最近的鸟之周围区域及根据自己本身飞行的经验判断食物的所在。 对不同的群体研究有不同的应用，目前最引人瞩目的是蚁群和鸟群的研究。 PSO就是模拟鸟群的社会行为发展而来的。 背景 我们经常看到成群的鸟或鱼或其它生物，它们的聚集行为有利于捕食和逃生。它们数量庞大且通常不存在一个统一的指挥者。群体的动作由什么决定的呢？ 鸟群觅食行为 Reynolds,Heppner,Grenader等发现，鸟群在行进过程中会突然同步地改变方向，散开或聚集。一定有种潜在的规则在起作用，据此他们提出了对鸟群行为的模拟。在他们的早期模型中，仅仅依赖个体间距的操作，即群体的同步是个体之间努力保持最优距离的结果。 而生物社会学家E.O.Wilson依据对鱼群的研究提出：至少在理论上，鱼群的个体成员能够受益于其它个体在寻找食物过程中的发现和以前的消耗，这种收益超过了个体之间竞争造成的利益损耗。这说明同种生物之间信息的社会共享能够带来好处。这也是PSO的基础。 特点 分散式搜寻 具有记忆性 元件较少，容易实现 适合在连续性的范围内搜寻 五点原则 Millonas在开发人工生命算法的时候（1994），提出群体智能概念，并提出五点原则： 1、接近性原则：群体应能够进行简单的时空运算 2、优质性原则：群体能够响应环境要素 3、变化相应原则：群体不应把自己的活动限制在一个狭小范围内 4、稳定性原则：群体不应每次随环境改变自己的模式 5、适应性原则：群体的模式应在变化代价值时得到改变 算法介绍 PSO算法是一种进化计算技术（evolutionary computation)，由Eberhart博士和Kennedy博士于1995年提出（Kennedy J, Eberhart R. Particle swarm optimization. Proceedings of IEEE International Conference on Neural Networks.1995,1942~1948).其基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。 PSO产生背景之一：复杂适应系统（CAS） CAS理论的最基本的思想可以概述如下： 我们把系统中的成员称为具有适应性的主体(Adaptive Agent)，简称为主体。所谓具有适应性，就是指它能够与环境以及其它主体进行交流，在这种交流的过程中“学习”或“积累经验”，并且根据学到的经验改变自身的结构和行为方式。整个系统的演变或进化，包括新层次的产生，分化和多样性的出现，新的、聚合而成的、更大的主体的出现等等，都是在这个交流的基础上出现的。 复杂适应系统（CAS）续 CAS的四个基本特点： 首先，主体(Adaptive Agent)是主动的、活的实体； 其次，个体与环境(包括个体之间)的相互影响，相互作用，是系统演变和进化的主要动力； 再次，这种方法不象许多其他的方法那样，把宏观和微观截然分开，而是把它们有机地联系起来； 最后，这种建模方法还引进了随机因素的作用，使它具有更强的描述和表达能力。 PSO产生背景之二:人工生命 人工生命“是来研究具有某些生命基本特征的人工系统。人工生命包括两方面的内容： ① 研究如何利用计算技术研究生物现象； ② 研究如何利用生物技术研究计算问题(Nature Computation)。 我们现在关注的是第二部分的内容。现在已经有很多源于生物现象的计算技巧，例如, 人工神经网络是简化的大脑模型. 遗传算法是模拟基因进化过程的。现在我们讨论另一种生物系统：社会系统，更确切地说，是由简单个体组成的群落与环境以及个体之间的互动行为，也可称做群智能。 基本PSO算法 粒子群优化算法源于1987年Reynolds对鸟群社会系统boids的仿真研究，boids是一个CAS。在boids中，一群鸟在空中飞行，每个鸟遵守以下三条规则： 1）避免与相邻的鸟发生碰撞冲突； 2）尽量与自己周围的鸟在速度上保持协调和一致； 3）尽量试图向自己所认为的群体中靠近。 仅通过使用这三条规则，boids系统就出现非常逼真的群体聚集行为，鸟成群地在空中飞行，当遇到障碍时它们会分开绕行而过，随后又会重新形成群体。 基本PSO算法（续） Reynolds仅仅将其作为CAS的一个实例作仿真研究，而并未将它用于优化计算中 。