[计算机软件及应用]计算智能课件 第五章 群体智能—粒子群算法.pdfVIP

第五章 群体智能算法(2) 蚁群优化算法 (Ant Colony Optimization，ACO) 粒子群优化算法 (Particle Swarm Optimization，PSO) 2011-4-22 1 5.2 粒子群优化算法 粒子群优化算法(PSO) 是由James Kennedy （肯尼迪）博士和R.C. Eberhart 博士于1995 年提出的。该算 法源于对鸟群、鱼群觅食行为的模拟。 在PSO 中，首先初始化一群随机粒子 (随机解)，然后通过迭代寻找最优解。 在每一次迭代中，粒子通过跟踪两个极 值来更新自己的速度和位置。 2011-4-22 2 粒子跟踪的两个极值 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； 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； 另外也可以不用整个种群而只是用其中一部分作 为粒子的邻居，那么在该邻居中的极值就是局部 极值。 PSO 算法简单易实现，不需要调整很多参数， 主要应用有神经网络的训练、函数的优化等。 2011-4-22 3 5.2.1 PSO 基本原理 粒子群优化算法是基于群体的演化算法, 其思 想来源于人工生命和演化计算理论。 Reynolds 对鸟群飞行的研究发现, 鸟仅仅是 追踪它有限数量的邻居, 但最终的整体结果是 整个鸟群好像在一个中心的控制之下, 即复杂 的全局行为是由简单规则的相互作用引起的。 PSO 即源于对鸟群捕食行为的研究, 一群鸟在 随机搜寻食物时, 如果这个区域里只有一块食 物, 那么找到食物的最简单有效的策略就是搜 寻目前离食物最近的鸟的周围区域。 2011-4-22 4 人们从鸟群捕食模型中得到启示,并应用于解决优 化问题。在PSO 中,每个优化问题的解都看作是搜 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( Fitness Value) ,每个粒子还有一个速度 (Velocity) 决定它们飞翔的方向和距离。 PSO 初始化为一群随机粒子(随机解) 。然后,粒子 们就追随当前的最优粒子在解空间中搜索找到最 优解。 在每一次迭代中,粒子通过跟踪两个“极值”来更新 自己，即跟踪个体极值( Personal Best ) 和全局 极值( Global Best) 。 2011-4-22 5 PSO 算法就是从这种模型中得到启示而产生的, 并用于 解决优化问题的。另外, 人们通常是以他们自己及他人 的经验来作为决策的依据, 这就构成了PSO 的一个基本 概念。 PSO 求解优化问题时, 问题的解对应于搜索空间中一只 鸟的位置, 称这些鸟为“粒子”(particle) 或“智能体” (agent) 。 每个粒子都有自己的位置和速度(决定飞行的方向和距 离) , 还有一个由被优化函数决定的适应值。各个粒子记 忆、追随当前的最优粒子, 在解空间中搜索。 2011-4-22 6 每次迭代的过程不是完全随机的, 如果找到较 好解, 将会以此为依据来寻找下一个解。令 PSO 初始化为一群随机粒子(随机解) , 在每一 次迭代中, 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好解,这个 个体极值点用pbest[ ] 表示（其位置）； 全局版PSO中的另一个极值点是整个种群目前