智能控制理论和方法（第二版）第9章粒子群算法及其在智能控制中的应用.ppt

第9章 粒子群算法及其在智能控制中的应用 　　　　　　　9.1 引 言　　Craig Reynolds在1986年提出一个仿真鸟群体飞行行为的模型Boid(bird-oid) [1]，并设定鸟群的飞行行为遵循以下规则: 　　(1) 碰撞的避免，即个体应避免和附近的同伴碰撞; 　　(2) 速度的匹配，即个体必须同附近个体的速度保持一致; 　　(3) 向中心聚集，即个体必须飞向邻域的中心。 　　该模型较成功地模拟了真实鸟群聚集飞行的行为。之后，Heppner在Boid模型的基础上，又加入了栖息地的仿真条件，即鸟群的活动范围不会越出栖息地。这两个鸟群飞行模型都只使用一些较为基本的规则(比如个体之间的速度匹配)来指导鸟个体的飞行，并没有谁对群体进行集中的控制，即整个群体组织起来(鸟群一起飞行)，却没有一个组织者；整个群体中的个体被协调起来(鸟群集体在蓝天整齐划一、任意翱翔)，却没有一个协调者。实际上，这就是一种群体智能模型。 　　进一步的研究发现，鸟在搜寻食物的过程中，群体中每个鸟个体能得益于群体中所有其他成员的发现和先前的经历。当食物地点不可预测，且零星分布时，这种协作带来优势是非常明显的，远远大于鸟个体间对食物竞争带来的劣势。这种协作的本质是生物群体中存在着一种社会信息共享机制，它为群体的某种目标(如鸟的觅食)提供了一种优势。　　在以上研究的基础上，1995年，Kennedy和Eberhart模拟鸟群觅食行为，提出了一种新颖而有效的群体智能优化算法，称为粒子群优化算法(PSO，Particle Swarm Optimization) [2, 3]。 　　　　　　9.2 基本粒子群算法9.2.1 基本粒子群算法的原理　　设想有这样一个场景： 一群鸟在某一个区域里随机搜寻食物。在这个区域里，只存在一处食物源，而所有的鸟都不知道食物的具体位置，但是每只鸟知道自己当前的位置离食物源有多远，也知道哪一只鸟距离食物源最近。在这样的情况下，鸟群找到食物的最优策略是什么呢? 最简单有效的方法就是搜寻目前离食物源最近的那只鸟的周围区域。PSO就是从这种搜寻食物的场景中得到启示，并用于解决优化问题。PSO的形象图示见图9.1。 　　在PSO算法中，每个优化问题的潜在解都类似搜索空间中的一只鸟，称其为“粒子”。粒子们追随当前群体中的最优粒子，在解空间中不断进行搜索以寻找最优解。PSO算法首先初始化一群随机粒子(随机解集)，通过不断迭代，且在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个极值是粒子本身截至目前所找到的最优解，这个解称为个体极值pb(pbest)；另一个极值是整个粒子群迄今为止所找到的最优解，称为全局极值gb(gbest)，最终找到最优解。 图9.1 PSO的形象图示 9.2.2 基本粒子群算法　　在基本PSO算法中，首先初始化一群粒子。设有N个粒子，每个粒子定义为D维空间中的一个点，第i个粒子pi在D维空间中的位置记为Xi=(xi1, xi2, …, xiD), i=1, 2, …, N，粒子pi的飞翔速度记为Vi，Vi=(vi1, vi2, …, viD), i=1, 2, …, N。粒子pi从诞生到目前为止(第k次迭代后)，搜索到最好位置称其为粒子pi的个体极值，表示为pbki=(pbki1, pbki2, …, pbkiD)。在整个粒子群中，某粒子是迄今为止(第k次迭代后)所有粒子搜索到的最好位置，称其为全局极值，表示为gbk=(gbk1, gbk2, …, gbkD)，则PSO算法进行优化迭代中，第i个粒子pi按照下面公式来更新自己的速度和位置: 其中，i=1, 2, …, N, 是粒子群体中第i个粒子pi的序号；k=1, 2, …, m, 为PSO算法的第k次迭代；d=1, 2, …, D, 为解空间的第d维；vkid表示第k次迭代后粒子pi速度的第d维分量值；xkid表示第k次迭代后粒子pi在D维空间中位置的第d维分量值；pbkid表示截至第k次迭代后，粒子pi历史上最好位置的第d维分量值；gbkd表示截至第k次迭代后，全体粒子历史上处于最好位置的粒子的第d维分量值；r1, r2是介于[0, 1]之间的随机数；c1, c2是学习因子，是非负常数，分别调节向PBki和GBk方向飞行的步长，学习因子使粒子具有自我总结和向群体中优秀粒子学习的能力，合适的学习因子可以加快算法的收敛且不易陷入局部最优；xid∈[－xmaxd, xmaxd], 根据实际问题将解空间限制在一定的范围；vid∈[－vmaxd, vmaxd], 根据实际问题将粒子的飞行速度设定在一定的范围。　　　　　　　　　　　　　　vmaxd =ρxmaxd 　　　　　　　　(9.3)　　基本粒子群算法流程见图9.2