第3章-粒子群优化算法pt1.pptx

第3章 粒子群优化算法3.1 群集智能算法基本思想3.2 PSO基本算法3.3 PSO标准算法3.4 PSO收敛性3.4 PSO改进算法3.5 PSO应用群体智能（Swarm Intelligence）生物学家研究表明：在这些群居生物中虽然每个个体的智能不高，行为简单，也不存在集中的指挥，但由这些单个个体组成的群体，似乎在某种内在规律的作用下，却表现出异常复杂而有序的群体行为。群体智能群（swarm)定义为某种交互作用的组织或agent的结构集合。群集中个体行为简单，但群体行为相当复杂；社会组织中全局群行为由群内个体行为以非线性方式出现，个体行为与全局群行为之间存在某种紧密的联系。个体的集体行为构成和支配了群行为；群行为决定个体执行其作用的条件。由群行为决定的条件包括空间和时间两种模式。群体智能群行为不能仅仅由独立于其他个体的个体行为所决定，个体间的交互作用在构建群行为中起到重要作用；个体间的交互作用帮助改善对环境的经验知识，增强到达优化的群进程。个体间的交互作用或合作由遗传学或通过社会交互确定。社会交互可以是直接或间接的。直接交互通过视觉、听觉或化学接触；间接交互是在某个体改变环境，其他个体反应该新环境时出现的。PSO基本思想粒子群优化(Particle Swarm Optimization，PSO)最早是由心理学研究人员Kenned 博士和计算智能研究人员Eberhart博士于1995年提出的，它是源于对鸟群觅食过程中的迁徙和群居的模拟。相较于其它的演化式寻优法则，PSO常被归属于非常有效率的启发式算法的一种。 PSO－－基于群体的优化工具PSO算法是基于群智能(Swarm Intelligence)方法的演化计算技术，引入了“群”的概念。PSO是一种基于群体的优化工具，同时也是一种基于迭代的优化工具。系统初始化为一组随机解，通过迭代搜寻最优值，粒子（潜在的解在解空间追随最优的粒子进行搜索。在PSO中，采用信息共享机制，它有着简单容易实现同时又有深刻的智能背景的特点。避免碰撞速度匹配 中心聚集鸟群的飞行行为FoodGlobal Best SolutionPast Best Solution鸟群觅食模型Randomly searching foods社会型行为的模拟认知行为 （Cognition Behavior）先前经验6Max2We tend to adjust our beliefs and attitudes to conform with those of our social peers.２１Max6人类社会系统社会行为 （Social Behavior）粒子群算法介绍 每个寻优的问题解都被想像成一支鸟，也称为“Particle”。所有的Particle 都有一个fitness function 以判断目前的位置之好坏，每一个Particle具有记忆性，能记得所搜寻到最佳位置。每一个Particle 还有一个速度以决定飞行的距离与方向。PSO算法描述速度与位置更新Study Factor局部最优解My best position全局最优解PBestpi运动向量x(t)The best position of teampgHere I am!x(t+1)惯性向量gBestvPSO 向量示意圖=+*Rand()*( )+*Rand()*( )目前最佳解W*區域最佳解Particle Swarms Optimization 粒子群最佳化Bionic ComputingBionic Computing Lab, 2005Chung Yuan Christian UniversityNote2維簡例區域合理解目前最優解區域最佳解全域12/21/05DM coursePSO算法之参数定义与说明参数代号参数值域范围说明i1,2,…,P第i粒子且PSO族群中共有P个粒子数d1,2,…,D每个粒子共由D个维度组成Xixi1, xi2 ,… , xiD第i个粒子的位置Vivi1, vi2,…, viD,第i个粒子的速度PiPi1, Pi2,…,PiD第i个粒子先前记忆的最好位置PgPg1, Pg2,…,PgD所有粒子中先前记忆的最好位置算法流程Initialization ：将群族做初始化，以随机的方式求出每一Particle 之初始位置与速度。Evaluation：依据fitness function 计算出其fitness value 以作为判断每一个Particle之好坏。Find Pbest ：找出每一个Particle 到目前为止的搜寻过程中最佳解，这个最佳解称之为Pbest。Find the Gbest：找出所有群体中的最佳解，此最佳解称之为Gbest。Update the Ve