粒子群最佳化演算法ParicleSwarmpimizainPS.pptVIP

粒子群最佳化演算法 Particle Swarm Optimization (PSO) 李維平 老師 緒論 粒子群最佳化演算法 (簡稱為PSO)，是一種以群體為基礎 (Population-based) 的最佳化搜尋技術 由 James Kennedy 和 Russell Eberhart 兩位學者於1995年時所提出 緒論 PSO是模擬鳥群覓食的社會行為所衍生 從1995年以來陸續有許多研究學者投入研究 已經有超過了三百篇以上的研究成果被發表出來 起源 提出演算法的兩位學者，藉由觀察鳥群覓食的社會行為得到啟發 鳥群於食物存在的空間中飛行覓食，一開始並不知道最佳的覓食點在哪個位置 每隻鳥可能會憑藉著自己的經驗或是直覺，飛往牠所覺得較佳的地點來搜尋食物 起源 當其他鳥發現了更佳的覓食地點時， 鳥群間會有某種類似廣播的溝通行為，漸漸的將其他鳥群引領至較佳的地點 這樣的覓食行為是利用社會中所存在的互相影響的概念，來引領所有個體朝向最佳解位置 起源 粒子群的概念視為一個簡單的社會系統 每隻個體被視為一個解答，稱之為粒子(Particle) 每個粒子經由適應函數的衡量而具有一個適應値 PSO 向量示意圖 符號說明 pbest 代表粒子本身到目前為止所達到最佳解 Pi 代表粒子最佳解的位置 gbest 即代表全體群體到目前為止最佳解 Pg 代表全體最佳解的位置 PSO 目標式 速度：vid(t +1)= wxvid(t)+ c1xrand()x[pid(t)- xid(t)(t)]+ c2xrand()x[Pgd(t)-xid(t)(t)] PSO 流程 PSO 演算法 1. 以任意的位置和速度來初始化粒子 2. 利用適應函數計算每個粒子的適應値 3. 將粒子的適應值和pbest 值作比較，假如優於pbest 值，則更新pbest 值及其位置 4. 將粒子的適應值和gbest 值作比較，如果優於gbest 值，則更新gbest 值及其位置 5. 依照下面的兩個式子來改變粒子的速度和位置: 6. 回到步驟2重複執行這些步驟，直到停止準則條件符合為止，通常停止準則會被設定為到達最大執行次數，或是達到所期望的適應值時。 Rosenbrock 函數 Rastrigin 函數 PSO 特性 PSO 演算法類似 GA 演算法 粒子擁有記憶性 粒子的特點為位置與速度 廣域搜尋和區域搜尋 迭代演化後搜索到空間中的最佳解 優點 PSO吸引人之處，在於只有少數的參數需要調整 並且能加快速度收斂至最佳解 可以被應用來解決大多數的最佳化問題。 PSO與GA比較 PSO與GA比較-相同 相同的演算法流程 1.群體隨機初始化 2.對群體內每一個體計算適應值(FitnessValue)適應值與最佳解的距離直接有關 3.群體根據適應值進行複製 4.如果滿足終止條件就停止，否則回到步驟2 PSO與GA比較-相異 PSO沒有遺傳操作-交換（Crossover）、突變（Mutation）而是根據自己的速度來決定搜尋 PSO有記憶性 PSO有廣泛的應用領域 例如:系統設計、多目標最佳化、分類、型樣識別、生物系統模擬、排程、遊戲、機器人應用、決策制定、網路安全及路由選擇、神經網路訓練、模擬和識別等 而其相關的實例則包含了模擬控制器設計、工作排程、影像分割、語音識別、時間頻率分析、燒燙傷診斷、手勢姿勢識別和自動目標偵測等問題上 附錄 Do Calculate fitness of particle Update pbest if the current fitness is better than pbest Determine nbest for each particle: choose the particle with the best fitness value of all the neighbors as the nbest For each particle Calculate particle velocity according to (1) Update particle position according to (2) While maximum iterations or minimum criteria is not attained PSO 演算法 Step1:初始化 包括參數設定及隨機初始化粒子的位置和速度。 Setp2:計算每顆粒子的適應值。 Step3: 每顆粒子與該粒子所經歷的最佳評估值比較，若比粒子的最佳評估值佳，則以新的位置及評估值取代粒子的最佳解。 Step4: 每顆粒子的最佳評估值與群體的最佳值比較，若粒子的最佳評估值比群體