粒子群聚演算法ParticleSwarmOptimization.PDFVIP

粒子群聚演算法 許多演算方法的發展是來自於對自然界現象的觀察，藉由觀察獲得的靈感作 為演算法的理論基礎。在自然界中有許多群體活動的生物，為 了覓食、遷移和 防 衛之便，成立其「社會系統」。社會系統是由簡單的個體及其組成的群體 產生互 動行為所構成。許多科學家開始 探討這些生物界社會系統的組成結構、資訊溝通 和行為模式等 。螞蟻覓食及築巢、鳥群及魚群的移動陣形等，以群體的力量所展 現 出來的「智慧」，可稱之為群體智慧 (swarm intelligence, SI) ，群體智慧便是藉 由個體的貢獻使群體得到最大利益的一種方式。 粒子群聚演算法(particle swarm optimization, PSO是) Kenned及 Eberhart 於 1995 年所提出[1][2] ，一個源於「社會心理學原理」以及「演化式計算」的最佳 化演算法。社會心理學是探討個人在社會情境下，個人行為與社會之間的互動關 係，如社會適應、溝通能力等，是一種人際互動取向的心理學。個人產生的行為， 會與他人產生互動，進而與整個社會產生互動。再觀察自然界中具有社會行為的 動物，如鳥群、魚群和昆蟲等，會藉由互相傳遞訊息，來達到個體和群體的目的， 如找食物、聚集等。 很多科學家試著模擬鳥群和魚群的社會行為模式。 Reynolds [3]和 Heppner [4]研究了鳥群的飛行行為。鳥群在飛行時通常會維持一個特定陣形，並且可以 時而分散時而聚集。科學家於是利用多個自動機械裝置來模擬鳥群的飛行行為， 這些自動機械裝置會保持個體間相互的距離，就如同飛行中鳥群，同伴 之間會保 持理想的距離來維持陣形。一些群居性的魚也有類似的行為模式。社會生物學家 E. O. Wilson [5]對其飼養的魚群做以下的詮釋「魚能在與其他魚尋找食物的過程 中，得到一些對其有利的發現和經驗，這些發現及經驗對於魚群爭奪食物有著決 定性的好處。」這些行為模式說明了個體間互相分享資訊，能夠讓個體與群體同 時受益，而這也就是 PSO的理論基礎。 PSO演算法最早期的想法是用來模擬一個簡化的社會行為，像是鳥群的飛行 陣形或是魚群的聚集，在搜尋空間灑下一群粒子，每 一個粒子模擬真實的生物 ， 利用生物社會中資訊分享的概念，提供群聚中的 粒子互相溝通與資訊交流的機 制，這跟人類的社會行為和其他社會生物的行為類似 ，可讓這些粒子更有效地搜 尋近似解。 PSO是一個以族群概念為基礎的全域最佳解搜尋演算法 。並且有著演化式計 算概念中常見的特性，如 「適應度」(fitness)的評估。以 基因演算法為比較對象 來說，PSO的相似之處在於，都是將大量的搜尋解當成一個仿生物的族群來操 作，並在一開始使用亂數來初始整個族群。而粒子移動時會往個體最佳經驗還是 群體最佳經驗的方向改變，其中的權衡拿捏，也是和 基因演算法 「交配」運算子 的概念相似的。然而， 粒子在決定移動方向時也加入了「隨機」(randomness)的 概念，讓粒子的移動有機會跳脫目前的趨勢，以免陷入「區域最佳解」 (local optimum) 。此外，PSO中的粒子，也就是每 一個可能的潛在解，是擁有速度並在 整個搜尋空間中「飛行」的，此種行為就和基因演算法完全不同。此外，粒子跟 粒子群都有記憶的能力，這更是基因演算法裡面的族群所沒有的。 PSO的另一個重要特點是，只需要簡單的數學運算，並且可以用少量的程式 碼就能在電腦上實作。由於 PSO 運算成本的低廉並且採用了社會行為的模型， 許多實際的應用都已經使用這個技術，例如，人類震顫的分析、回授力和電壓控 制、對電池組件充電狀態的估測器，切削工作路徑的最佳化，以及成分混合比例 最佳化等等；多數應用都已被提出並在文獻中展現它是成功的 [6-8] 。在旅行銷售 員問題 (travel salesman problem, tsp) [9]與 皇后問題 [10]上，利用PSO也有不錯 n 的解決方式。 PSO也方便與其他方法結合，達成較好的效能，如模糊控制的歸屬 函數調整[11] ，解決類神經網路的XOR問題 [12] ，資料探勘中的分類問題[13] 、 分散式運算的最佳化[14] 等。 PSO是一個以族群概念為基礎的全域最佳解搜尋演算法。