第章 粒子群优化算法.ppt

最大速度Vmax 决定粒子每一次的最大移动距离，制约着算法的探索和开发能力 Vmax的每一维 一般可以取相应维搜索空间的10%-20%，甚至100% 也有研究使用将Vmax按照进化代数从大到小递减的设置方案 * 惯性权重? 控制着前一速度对当前速度的影响，用于平衡算法的探索和开发能力 一般设置为从0.9线性递减到0.4，也有非线性递减的设置方案 可以采用模糊控制的方式设定，或者在[0.5, 1.0]之间随机取值 ?设为0.729的同时将c1和c2设1.49445，有利于算法的收敛 * 压缩因子? 限制粒子的飞行速度的，保证算法的有效收敛 Clerc等人通过数学计算得到?取值0.729，同时c1和c2设为2.05 * 加速系数c1和c2 代表了粒子向自身极值pBest和全局极值gBest推进的加速权值 c1和c2通常都等于2.0，代表着对两个引导方向的同等重视 也存在一些c1和c2不相等的设置，但其范围一般都在0和4之间 研究对c1和c2的自适应调整方案对算法性能的增强有重要意义 * 终止条件 决定算法运行的结束，由具体的应用和问题本身确定 将最大循环数设定为500，1000，5000，或者最大的函数评估次数，等等 也可以使用算法求解得到一个可接受的解作为终止条件 或者是当算法在很长一段迭代中没有得到任何改善，则可以终止算法 * 全局和局部PSO 决定算法如何选择两种版本的粒子群优化算法—全局版PSO和局部版PSO 全局版本PSO速度快，不过有时会陷入局部最优 局部版本PSO收敛速度慢一点，不过不容易陷入局部最优 在实际应用中，可以根据具体问题选择具体的算法版本 * 同步和异步更新 两种更新方式的区别在于对全局的gBest或者局部的lBest的更新方式 在同步更新方式中，在每一代中，当所有粒子都采用当前的gBest进行速度和位置的更新之后才对粒子进行评估，更新各自的pBest，再选最好的pBest作为新的gBest 在异步更新方式中，在每一代中，粒子采用当前的gBest进行速度和位置的更新，然后马上评估，更新自己的pBest，而且如果其pBest要优于当前的gBest，则立刻更新gBest，迅速将更好的gBest用于后面的粒子的更新过程中 一般而言，异步更新的PSO具高效的信息传播能力，具有有更快的收敛速度 * 第6章 粒子群优化算法 Contents 算法简介 1 基本流程 2 改进研究 3 相关应用 4 参数设置 5 * 6.1 粒子群优化算法简介 粒子群优化算法是什么？ 粒子群优化算法 （Particle Swarm Optimization，PSO） 是进化计算的一个分支， 是一种模拟自然界的生物活动的随机搜索算法。 粒子群优化算法的思想来源是怎样的？ 它由谁提出的？ PSO模拟了自然界鸟群捕食和鱼群捕食的过程。 通过群体中的协作寻找到问题的全局最优解。 它是1995年由美国学者Eberhart和Kennedy提出的， 现在已经广泛应用于各种工程领域的优化问题之中。 * 6.1.1 思想来源 生物界现象 群体行为 群体迁徙 生物觅食 …… 社会心理学 群体智慧 个体认知 社会影响 …… 粒子群 优化算法 人工生命 鸟群觅食 鱼群学习 群理论 * 6.1.2 基本原理 鸟群觅食现象 鸟群 觅食空间 飞行速度 所在位置 个体认知与群体协作 找到食物 粒子群优化算法 搜索空间的一组有效解 问题的搜索空间 解的速度向量 解的位置向量 速度与位置的更新 找到全局最优解 鸟群觅食现象 粒子群优化算法 类比关系 * 6.1.2 基本原理 鸟群觅食现象 粒子群优化算法 * 6.2 粒子群优化算法的基本流程 基本流程 速度与位置更新公式 速度与位置更新示意图 算法流程图和伪代码 应用举例 函数最小化问题 算法的执行步骤示意图 * 粒子的个体速度与位置更新公式 更新速度 自身速度 个体认知 社会引导 * 速度与位置更新示意图 x 1 x 2 P 1 P 2 P3 gBest * 速度与位置更新示意图 x 2 x 1 P 3 P 1 P 2 PB 2 * 速度与位置更新示意图 经过若干次迭代之后 * PSO算法流程图和伪代码 * 6.2.2 应用举例 例6.1 已知函数 ， 其中 ，用粒子群优化算法求解y的最小值。 * 运行步骤 * * 6.3 粒子群优化算法的改进研究 PSO 研究热点与方向 算法理论 研究 混合算法 研究 算法参数研究 拓扑结构研究 算法应用 研究 * 与PSO相关的重要学术期刊与国际会议 重要学术期刊 IEEE Transactions