matlab实验4 群智能算法.pdfVIP

试验 ４ 群智能优化算法 管理科学与工程的核心问题就是求解各种资源约束情况下的最 优化问题，如运筹学中大部分求解的是线性约束情况下的最优化问 题。 群智能 （Ｓwarm Intelligence， SI）指的是无智能或简单智能 的主体通过任何形式的聚集协同而表现出智能行为的特性。 一个 SI 系统所应满足五条基本原则： 1 群内个体具有能执行简单的时间或空间上的评估和计算的能力。 2 群内个体能对环境 （包括群内其它个体）的关键性因素的变化做出 响应。 3 群内不同个体对环境中的某一变化所表现出的响应行为具有多样 性。 4 不是每次环境的变化都会导致整个群体的行为模式的改变。 5 环境所发生的变化中，若出现群体值得付出代价的改变机遇，群体 必须能够改变其行为模式。 目前最有代表性的是群智能优化算法有两种，粒子群优化算法 （Swarm Particle Optimization , PSO ）和蚁群算法 ( Ant Colony Optimization ACO)。 一 粒子群算法 （ＰＳＯ） PSO 是由Kennedy 和 Eberhart 在 1995 年提出，该算法模拟鸟集 群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是 一种基于 Swarm Intelligence 的优化方法。 PSO 中，每个优化问题的解都是搜索空间中的一只鸟。称之为“粒 子 (Particle)”。所有的粒子都有一个由被优化的函数决定的适应值， 每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追 随当前的最优粒子在解空间中搜索。PSO 初始化为一群随机粒子，然 后通过叠代找到最优解。在每一次叠代中，粒子通过跟踪两个极值 来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体 极值 pBest. 另一个极值是整个种群目前找到的最优解。这个极值是 全局极值 gBest。 ＰＳＯ算法中粒子的速度和空间位置的更改由下列公式决定： v (t1) w*v (t) c1*rand*(x x ) c2 *rand*(x x ) i i i ibest i gbest x (t 1) x (t)  v (t 1) i i i 其中，rand 为[0,1]间的随机数，c1=c2=2 称为加速因子，w 为惯性 因子，w较大适于对解空间进行大范围探查 (exploration)，w较小适 于进行小范围开挖(exploitation)。Xi(t)为第 i 个粒子 t 时刻的空 间位置，vi(t)为第 i 个粒子 t 时刻的速度。xibest 为第 i 个粒子目前 最优解的空间位置，xgbest 则为所有粒子目前最优解的空间位置。 PSO 算法可描述如下： １ 初始化整个群体的速度和空间位置 ２ 计算每个粒子的适应度，并找出个体目前最优解 ibest 和全局最 优解 gbest 及对应的空间位置。 ３ 按上面的公式更新每一个粒子的速度和空间位置 ４ 判断是否满足终止条件，若满足则输出最优解，否则转 ２继续。 例 求函数 f(x)= x+10sin( ５x)+7cos(4x)在区间 [0,9]内的最大 值 25 20 15 10 5 0 -5 -10 -15 -20 0 1 2 3 4 5 6 7 8 9 首先定义参数 然后初始化粒子群的空间位置和速度