粒子群算法-北京大学计算机科学技术研究所.pdfVIP

粒子群优化算法  James Kennedy和Russell Eberhart在1995年发表 的论文《Particle swarm optimization》和 《A new optimizer using particle swarm theory》的 论文.  标志着粒子群优化(Particle Swarm Optimization, PSO) 算法的诞生. 也译作微粒群算法. 2 粒子群优化算法  粒子群优化由于其算法的简单, 易于实现, 无需 梯度信息, 参数少等特点在连续优化问题和离散 优化问题中都表现出良好的效果, 特别是因为其 天然的实数编码特点适合于处理实优化问题. 近 年来成为国际上智能优化领域研究的热门.  在算法的理论研究方面, 有部分研究者对算法的 收敛性进行了分析, 更多的研究者致力于研究算 法的结构和性能改善, 包括参数分析、拓扑结构、 粒子多样性保持、算法融合和性能比较等. 3 粒子群优化算法  粒子群优化算法最早应用于非线性连续函数的优化 和神经元网络的训练, 后来也被用于解决约束优化 问题、多目标优化问题、动态优化问题等.  在数据分类、数据聚类、模式识别、电信QoS管理、 生物系统建模、流程规划、信号处理、机器人控制、 决策支持以及仿真和系统辨识等方面, 都表现出良 好的应用前景.  国内也有越来越多的学者关注粒子群优化算法的应 用, 将其应用于非线性规划、同步发电机辨识、车 辆路径、约束布局优化、新产品组合投入、广告优 化等问题. 4 粒子群优化算法  粒子群优化算法的提出是基于对简化的社会模型的 模拟.  自然界中许多生物体具有一定的群体行为, 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. 虽然每个个体 具有非常简单的行为规则, 但是群体行为却非常复杂. 5 粒子群优化算法  一些科学家对鸟群或者鱼群的群体性行为进行了研 究, 包括计算机模拟仿真. Reynolds和Heppner这两 位动物学家在1987年和1990年发表的论文中都关注 了鸟群群体行动中蕴涵的美学, 他们发现, 由数目庞 大的个体组成的鸟群飞行中可以改变方向, 散开或 者队形的重组等, 那么一定有某种潜在的能力或者 规则保证了这些同步的行为.  这些科学家都认为上述行为是基于不可预知的鸟类 社会行为中的群体动态学. 在这些早期的模型中他 们把重点都放在了个体间距的处理上, 也就是让鸟 群中的个体之间保持最优的距离. 6 粒子群优化算法  1975年, 生物社会学家Wilson根据对鱼群的研究, 在 论文中提出: “至少在理论上, 鱼群的个体成员能够 受益于群体中其他个体在寻找食物的过程中的发现 和以前的经验, 这种受益是明显的, 它超过了个体之 间的竞争所带来的利益消耗, 不管任何时候食物资 源不可预知的分散于四处”.  这说明: 同种生物之间信息的社会共享能够带来好 处. 这是PSO的基础.