最优化算法1-3章 微粒群算法 .ppt

1.1 最优化问题 1.2 进化计算 1.3 群体智能算法 1.4 微粒群算法的发展 微粒群算法自提出以来，在国外得到了相关领域众多学者的关注与研究。 IEEE国际进化计算年会 (IEEE Congress on Evolutionary Computation , CEC)年会上，微粒群算法被作为一个独立的研究分支，与遗传算法、进化规划等进化算法相提并论。 基本思路：早期对鸟类群体行为的研究的结果的启发，并利用生物学家Frank Heppner的生物群体模型。 1.4 微粒群算法的发展 1.4.1 微粒群算法综述 其次，为了提高算法的收敛性能,shi和Eberhard于1998年对PS0算法的速度项引入了惯性权重ω,并提出在进化过程中动态调整惯性权重以平衡收敛的全局性和收敛速度，该进化方程已被相关学者称之为标准PSO算法。 Clerc于1999年在进化方程中引入收缩因子以保证算法的收敛性，同时使得速度的限制放松。有关学者已通过代数方法对此方法进行了详细的算法分析，并给出了参数选择的指导性建议。 在PSO算法的行为分析和收敛性分析方面进行了大量的研究工作。 首先是采用代数方法对几种典型的PSO算法的运行轨迹进行了分析，给出了保证收敛性的参数选择范围。 在收敛性方面,Frans van den Bergh引用So1is和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局最优解,甚至于局部最优解。证明了保证收敛的PSO算法能够收敛于局部最优解，而不能保证收敛于全局最优解。 第2章 基本微粒群算法 2.1 引言 自然界中各种生物体均具有一定的群体行为，而人工生命的主要研究领域之一就是探索自然界生物的群体行为，从而在计算机上构建其群体模型。 通常，群体行为一般可以由几条简单的规则进行建模，如鱼群、乌群等。虽然每一个个体具有非常简单的行为规则，但群体的行为却非常复杂。 Reynolds将这种类型的个体称为boid，并使用计算机图形动画对复杂的群体行为进行仿真。他在仿真中采用了下列三条简单规则： (1)飞离最近的个体，以避免碰撞。 (2)飞向目标。 (3)飞向群体的中心。 群体内每一个体的行为可采用上述规则描述，这是微粒群算法的基本概念之一。 Boyd和Richerson在研究人类的决策过程时，提出了个体学习和文化传递的概念。 根据他们的研究结果，人们在决策过程中使用两类重要的信息。一是自身的经验，二是其他人的经验。也就是说，人们根据自身的经验和他人的经验进行自己的决策。 这是微粒群算法的另一基本概念。 微粒群算法，其基本思想是受算法发明人早期对许多鸟类的群体行为进行建模与仿真研究结果的启发。而模型及仿真算法主要利用了生物学家Frank Heppner的模型。 Frank Heppner的鸟类模型在反映群体行为方面与其他类模型有许多相同之处，所不同之处在于：鸟类被吸引飞向栖息地。 在仿真中，一开始每一只鸟均无特定目标进行飞行，直到有一只鸟飞到栖息地，当设置期望栖息比期望留在鸟群中具有较大的适应值时，每一只鸟都将离开群体而飞向栖息地，随后就自然地形成了鸟群。 由于鸟类使用简单的规则确定自己的飞行方向与飞行速度（实质上，每一只鸟都试图停在鸟群中而又不相互碰撞），当一只鸟飞离鸟群而飞向栖息地时，将导致它周围的其他鸟也飞向栖息地。这些鸟一旦发现栖息地，将降落在此，驱使更多的鸟落在栖息地，直到整个鸟群都落在栖息地。 鸟类寻找栖息地与对一个特定问题寻找解很类似，已经找到栖息地的鸟引导它周围的鸟飞向栖息地的方式，增加了整个鸟群都找到栖息地的可能性, 也符合信念的社会认知观点。 PSO提出前还需考虑的问题 Eberhart和Kennedy对Heppner的模型进行了修正，以使微粒能够飞向解空间并在最好解处降落。其关键在于如何保证微粒降落在最好解处而不降落在其他解处，这就是信念的社会性及智能性所在。 信念具有社会性的实质在于个体向它周围的成功者学习。个体与周围的其他同类比较，并模仿其优秀者的行为。将这种思想用算法实现将导致一种新的最优化算法。 要解决上述问题。关键在于在探索(寻找一个好解)和开发(利用一个好解)之间寻找一个好的平衡。太小的探索导致算法收敛于早期所遇到的好解处，而太小的开发会使算法不收敛。 另一方面，需要在个性与社会性之间寻求平衡，也