计算智能课件 粒子群优化算法.ppt

粒子群优化算法 简介 粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和RC Eberhart等于1995年开发的一种演化算法。粒子(particle)”是一个折衷的选择,因为既需要将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。 It was developed in 1995 by James Kennedy and Russ Eberhart [Kennedy, J. and Eberhart, R. (1995). “Particle Swarm Optimization”, Proceedings of the 1995 IEEE International Conference on Neural Networks, pp. 1942-1948, IEEE Press.] (/members/payman/swarm/kennedy95-ijcnn.pdf ) 特点 分布式搜寻 具记忆性 组件较少，容易实现 适合在连续性的范围内搜寻 演算法介绍 每个寻优的问题解都被想象成一只鸟，我们也称为“Particle”。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏。 每一个Particle必须赋予记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 粒子群优化算法求最优解 初始化一群随机粒子（随机解） 每次迭代中，粒子通过跟踪两个极值更新自己： －粒子本身找到的历史最好解（个体极值点Pbest） －整个种群目前找到的最好解（全局极值点Gbest） 需要计算粒子的适应值，以判断粒子位置距最优点的距离。 每次迭代中，根据适应度值更新Pbest和Gbest。 迭代中止条件：设置最大迭代次数或全局最优位置满足预定最小适应阈值。 粒子群优化算法求最优解 d维空间中，有N个粒子； 粒子i位置：xi=(xi1,xi2,…xid)，将xi代入适应函数f(xi)求适应值； 粒子i速度：vi=(vi1,vi2,…vid) 粒子i个体极值点位置：Pbesti=(pi1,pi2,…pid) 种群的全局极值点位置：Gbest=(g1,g2,…gd) 粒子i的第n维速度和位置更新公式： vin=w*vin+c1*r1*(Pbestin-xin)+c2*r2*(Gbestn-xin) xin=xin+vin c1,c2—学习因子，经验值取c1=c2=2，调节学习最大步长 r1,r2—两个随机数，取值范围（0，1），以增加搜索随机性 w —惯性因子，非负数，调节对解空间的搜索范围 演算法流程 1.Initial 将种群做初始化，以随机的方式求出每一Particle 之初始位置与速度。 2.Evaluation： 依据fitness function 计算出其fitness value 以作为判断每一Particle之好坏。 3.Fine the Pbest： 找出每一Particle 到目前为止的搜寻过程中最佳解，这个最佳解我们将之称为Pbest。 4.Fine the Gbest： 找出所有Particle 到目前为止所搜寻到的整体最佳解，此最佳解我们称之为Gbest。 5.Update the Velocity： 依据更新公式 更新每一Particle之速度与位置。 6. 回到步骤2. 继续执行，直到获得一个令人满意的结果或符合终止条件为止。 基本粒子群优化算法流程图 粒子群优化: Swarm Types In paper, [Kennedy, J. (1997), “The Particle Swarm: Social Adaptation of Knowledge”, Proceedings of the 1997 International Conference on Evolutionary Computation, pp. 303-308, IEEE Press.] Kennedy identifies 4 types of PSO based on ?1 and ?2 . Given: vid = vid + ?1*rnd()*(pid-xid) + ?2*rnd()*(pgd-xid); xid = xid + vid; Full Model (?1, ?2 > 0) Cognition Only (?1 > 0 and ?2 = 0), Social Only (?1 = 0