粒子群算法123.pptVIP

粒子群优化算法;;;;; 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 ;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。;师法大自然;;近年PSO方面文献的数量;PSO产生背景之一：复杂适应系统;复杂适应系统;PSO产生背景之二:人工生命 ;鸟群觅食行为;特点;算法介绍 ;粒子群优化算法求最优解 ;區域 最佳解;PSO 向量示意图;;算法流程;基本粒子群优化算法流程图;Schwefels function ;搜尋過程－最初狀態;搜尋過程－經過5代;搜尋過程－經過10代;搜尋過程－經過15代;搜尋過程－經過20代;搜尋過程－經過25代;搜尋過程－經過100代;搜尋過程－經過500代;搜寻结果;4. 遗传算法和 PSO 的比较 大多数演化计算技术都是用同样的过程1. 种群随机初始化2. 对种群内的每一个个体计算适应值(fitness value).适应值与最优解的距离直接有关3. 种群根据适应值进行复制 4. 如果终止条件满足的话，就停止，否则转步骤2 从以上步骤，我们可以看到PSO和GA有很多共同之处。两者都随机初始化种群，而且都使用适应值来评价系统，而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解 但是，PSO 没有遗传操作如交叉(crossover)和变异(mutation). 而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是有记忆。 与遗传算法比较, PSO 的信息共享机制是很不同的. 在遗传算法中，染色体(chromosomes) 互???共享信息，所以整个种群的移动是比较均匀的向最优区域移动. 在PSO中, 只有gBest (or pBest) 给出信息给其他的粒子， 这是单向的信息流动. 整个搜索更新过程是跟随当前最优解的过程. 与遗传算法比较, 在大多数的情况下，所有的粒子可能更快的收敛于最优解;程序分析;初始化各主要数据（设三维的Sphere函数求最优）;初始化各主要数据;主程序;主程序;主程序;Particle Swarm研究热点