粒子群算法719.ppt

第三讲 粒子群优化算法 一 PSO算法简介 粒子群算法(particle swarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。同遗传算法类似，也是一种基于群体叠代的，但并没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。PSO的优势在于简单容易实现同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用，并且没有许多参数需要调整。 基本PSO算法 粒子群优化算法源于1987年Reynolds对鸟群社会系统boids的仿真研究，boids是一个CAS （Complex Adaptive System (CAS) ） 。在boids中，一群鸟在空中飞行，每个鸟遵守以下三条规则： 1）避免与相邻的鸟发生碰撞冲突； 2）尽量与自己周围的鸟在速度上保持协调和一致； 3）尽量试图向自己所认为的群体中靠近。 仅通过使用这三条规则，boids系统就出现非常逼真的群体聚集行为，鸟成群地在空中飞行，当遇到障碍时它们会分开绕行而过，随后又会重新形成群体。 起源 生物社会学家对鸟群。 原理 我们可以设想这样一个场景，一群鸟在某区域随机搜寻食物。该区域只有一块食物。所有的鸟都不知道食物在哪里，但它们知道目前距离食物还有多远，那么找到食物的最佳策略是什么呢？最简单的方法就是找寻距离食物最近的鸟周围区域及根据自己飞行的经验判断食物的所在。 PSO产生背景之一：复杂适应系统 CAS理论的最基本的思想可以概述如下： 我们把系统中的成员称为具有适应性的主体(Adaptive Agent)，简称为主体。所谓具有适应性，就是指它能够与环境以及其它主体进行交流，在这种交流的过程中“学习”或“积累经验”，并且根据学到的经验改变自身的结构和行为方式。整个系统的演变或进化，包括新层次的产生，分化和多样性的出现，新的、聚合而成的、更大的主体的出现等等，都是在这个基础上出现的。 PSO产生背景之二:人工生命 人工生命“是来研究具有某些生命基本特征的人工系统。人工生命包括两方面的内容： ① 研究如何利用计算技术研究生物现象； ② 研究如何利用生物技术研究计算问题(Nature Computation)。 我们现在关注的是第二部分的内容。现在已经有很多源于生物现象的计算技巧，例如, 人工神经网络是简化的大脑模型. 遗传算法是模拟基因进化过程的。现在我们讨论另一种生物系统：社会系统，更确切地说，是由简单个体组成的群落与环境以及个体之间的互动行为，也可称做群智能。 鸟群觅食行为 PSO 向量示意图 二、粒子群算法原理 粒子群优化算法(Particle Swarm Optimization,PSO)是Eberhart和kennedy博士发明。源于对鸟群捕食的行为研究，PSO同遗传算法类似，是一种基于迭代的优化工具。 系统初始化为一组随机解，通过迭代搜索寻最优值。在PSO算法中，每个优化问题的解都是搜索空间中的一只鸟，被抽象为没有质量和体积的微粒，并将其延伸到N维空间，离子i在N维空间中的位置表示为一个矢量，每个粒子的飞行速度也为一个矢量， 所有粒子都有一个被优化的函数决定的适应值(fitness)，每个粒子还有一个决定他们飞翔的方向和距离。粒子们知道到目前为止发现的最好位置（pbest）和现在的位置，这个可以看做是粒子自己的飞行经验，除此之外，每个粒子还知道目前为止所有粒子发现的最好位置（gbest, gbest是pbest中最好值），着可以看做是粒子同伴的经验。粒子是通过自己的经验和同伴中最好的经验来决定下一步的运动。 三、粒子群算法技术问题 粒子群算法的性能很大程度取决于算法的控制参数，粒子数、最大速度、学习因子、惯性权重等，各个参数的选取原则如下： 1 粒子数：粒子数的多少根据问题的复杂度自行决定。对于一般的优化问题取20至40个；对比较简单的问题10个粒子就可以；对于比较复杂的或特定的问题，粒子数可取100以上。 2 粒子的维度：由优化问题决定；为解的维度， 3 粒子的范围：由优化问题决定，每一维可设定不同的范围； 4 最大速度： 决定粒子在一个循环中最大的移动距离，通常设定为粒子的范围宽度； 5 学习因子：学习因子使粒子具有自我总结和向群体中优秀个体学习的能力，从而向群体内或邻域内最近点靠近，通常取为2，也可以相等，取值范围0到4。 6 惯性权重：决定了对粒子当前速度继承的多少，适合的选择可以使粒子具有均衡的探索能