微粒群算法的分析与展望.docVIP

微粒群算法的分析与展望 　　摘要：围绕微粒群（PSO）算法的原理、特点、改进、应用等方面进行全面综述，并对其在理论研究和技术应用两方面的研究现状和未来的发展方向进行综述。 　　关键字：微粒群算法；进化计算；离散优化；多目标优化 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)33-1378-03 　　Particle Swarm Optimization Algorithm Analysis and Forecast 　　ZHANG Jie 　　(Jiangsu food science college ,Huaian 223003, China) 　　Abstract: Encompassment Particle Swarm Optimization (PSO) aspects and so on algorithm principle, characteristic, improvement, application carry on the comprehensive summary, and will apply two aspects to it in the fundamental research and the technology the research present situations and the future development direction carries on the summary. 　　Key words: particle swarm optimization algorithm; evolution computation; separate optimization; multi-objective optimization 　　1 引言 　　微粒群算法（PSO）是J.Kennedy和R.C.Eberhart[1]于1995年提出的一种新的进化算法，借鉴了鸟群或鱼群捕食过程的社会行为，将群体中的成员描述为空间内一个没有质量、没有体积的“微粒”，所有微粒通过一个适应函数来确定其在空间中的适应度。进化初期，每个微粒的位置和速度都被随机初始化，微粒在飞行过程中相互合作，根据自身和同伴的运动状态及时调整自己的速度和位置，以便在适应值较好的位置降落。微粒群算法概念简明，参数设置少，并能根据当前的搜索情况动态调整搜索策略，对解决复杂环境中的优化问题非常有效。目前已成功的运用到电力、通讯、生物信息、医学等各个领域。 　　2 标准微粒群算法 　　2.1 微粒群算法基本原理 　　微粒群算法将每一个可能产生的解表述为群中的一个微粒，每个微粒都有自己的速度和位置向量，以及一个由目标函数决定的适应值，所有微粒在搜索空间中以一定速度飞行，通过追随当前搜索到的最优适应值来寻找全局最优。 　　在N维空间中有 M个微粒，每个微粒的位置表示一个潜在的解。设[2] 　　Xi=(xi1,xi2,..,xin)为微粒i的当前位置； 　　Vi=(vi1,vi2,..,vin)为微粒i的当前速度； 　　Pi=(pi1,pi2,..,pin)为微粒i所经历的最好位置，即为 Pbest； 　　Pg为群体中所有微粒所经过的最好位置，也称为 gbest。 　　则对于每一代，微粒i的第j维的进化方程为： 　　 vij(t+1)=ωvij(t)+c1rand()(pij(t)-xij(t))+c2Rand()(pg(t)-xij (t))(1) 　　 xij(t+1)=xij(t)+vij(t+1) (2) 　　其中：ω为惯性权重 (inertia weight)，c1和c2为加速常数 (accelerationconstants)，rand()和Rand()为两个在 0,1范围内变化的随机函数。在 (1)式中第一部分为微粒先前的速度；第二部分为 “认知 (cognition)”部分，表示微粒本身的思考，通过自己的经验来判断当前的飞行；第三部分为 “社会 (social)”部分，表示微粒间的信息共享与相互合作，借鉴其他微粒的飞行经验来调整当前的飞行。 　　2.2 算法基本流程 　　标准微粒群算法的流程如下： 　　1）随机初始化微粒的位置和速度。 　　2）计算每个微粒的适应值。 　　3）对于每个微粒，将其适应值与所经历过的最好位置 Pi的适应值进行比较，若较好，则将其作为当前的最好位置。 　　4）对每个微粒，将其适应值与全局所经历的最好位置 Pg的适应值进行比较，若较好，则将其作为当前的全局最好位置。 　　5）根据方程 (1)、(2)对微粒的速度和位置进行进化。 　　6）如未达到结束条件 (通常为足够好的适应值或达到一个预设的最大代数)，