粒子群算法的原理（文档篇）.docVIP

粒子群算法的原理（文档3篇） 以下是网友分享的关于粒子群算法的原理的资料3篇，希望对您有所帮助，就爱阅读感谢您的支持。 原始粒子群算法的基本原理第一篇 　　摘要：随着决策环境的复杂化，群体决策变得越来越重要，在此基础上研究粒子群优化算法，详细介绍其基本原理并进行分析显得十分重要。　　关键词：粒子群优化算法 种群大小 最大速度　　1.1优化算法的分类　　随着现代科学技术的飞速发展，目前解决优化问题的方法主要分为两大类：一是模拟自然进化过程而发展起来的进化算法，目前研究的进化算法主要有三种典型的类别：遗传算法，进化规划和进化策略，这三种算法是彼此独立发展起来的；二是基于群智能的智能优化算法，目前主要有粒子群算法和蚁群算法两大类。　　1.2粒子群算法的基本模型　　粒子群优化算法是兼有进化计算和群智能特点的一种优化算法，起初只是设想模拟鸟类捕食的过程，但后来发现粒子群算法是一种很好的优化工具。与其他的进化算法相类似，PSO进化算法也是通过个体间的协作与竞争来实现最优解的搜索。　　PSO算法为每个粒子制定了类似于鸟类运动的简单的行为规则，从而使粒子群的运动表现出与鸟类觅食相类似的特性，进而用于求解复杂的优化问题。　　PSO算法中的每一个粒子，即解空间中的一个解，它根据自己的飞行经验和同伴的飞行经验来调整自己的飞行，所有的粒子都有一个被优化的函数决定的适应值，适应值用来评价粒子当前位置的好坏；每个粒子还有一个速度决定他们的飞行方向和距离，然后粒子们就追寻当前的最优粒子在解空间中进行搜寻。每个粒子在飞行过程中所经历过的最好位置，就是粒子本身找到的最优解；整个种群所经历过的最优位置，就是整个种群目前为止找到的最优解。前者叫做个体极值，后者叫做全局极值。每个粒子都通过上述两个极值不断的更新自己的位置和速度，从而产生新一代群体。　　从以上分析可以看出在用粒子群算法解决问题的时候，我们首先要弄清楚什么是“鸟”，有了对象，然后才能确定该对象所谓的“位置”和“速度”是代表什么意思，粒子群算法的核心就是适应度函数的确定，不同的问题有不同的适应度函数，我们通过适应度函数来评价粒子当前的位置是好是坏，适应度函数体现了当前位置与最优位置的关系，即鸟类捕食模型中“鸟”和“食物”之间的距离所代表的含义，我们通过它来确定当前位置与最优位置之间的差距，然后通过分析适应度函数的指标，确定与最优解的接近程度。　　1.3粒子群算法中参数的设置及其影响　　粒子通过“跟踪”个体极值和全局极值来更新自己，按照如下公式来完成自己的速度和位置的进化：　　在上述公式中：　　t:迭代次数。　　Vi(t):第t次迭代时粒子的速度。　　Xi(t)：第t次迭代是粒子的位置。　　Pi：粒子本身的个体极值。　　Pg:种群的全局极值。　　c1和c2被称为加速因子，又叫学习因子，一般取c1=c2=2。　　rand( )和rand2( )是（0，1）之间的随机函数。　　算法的参数是影响算法性能和效率的关键，如何确定最优参数使算法性能最佳本身就是一个极其复杂的过程，由于参数空间的大小不同，且各参数之间具有相关性，在实际的应用当中，并无确定最优参数的通用方法，只能通过用户的经验选取，不同的参数对算法性能的影响有一定的规律可循，由于粒子群算法简单，易实现，且没有许多参数需要调整，这几个优点是它倍受研究者青睐的原因　　下面介绍一下不同的参数的设置及其对算法性能的影响。　　粒子数（种群的大小）：一般取20-40其实对于大部分问题10个粒子已经足够可以取的好的结果。　　粒子的长度：这是由优化问题决定的，就是问题解的长度。　　粒子的范围：由优化问题决定，每一维可以设定不同的范围。　　Vmax：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。　　终止条件：最大迭代次数Tmax，计算精度，最大凝滞步数通常为粒子群算法的终止条件，在设置时需要根据遇到的具体情况，兼顾算法的搜索效率和优化质量等多方面的性能。　　1.3.1加速因子的影响　　加速因子c1和c2代表了粒子向自身极值pbest和全局极值gbest推进的随机加速权值。小的加速因子值，可使粒子在远离目标去区域内振荡；大的加速因子可使粒子迅速的向目标区域靠近，甚至又远离目标区域。　　1.3.2最大速度的影响　　最大速度是为了对粒子的运动进行适当的限制而设置的参数，粒子的速度在（-Vmax，Vmax）之间。因此，最大速度的设置也要兼顾算法搜索的性能和效率，做到全局和局部寻优能力的均衡。　　1.3.3种群大小的影响　　从给定精度下所需迭代次数的平均值上看PSO 对种群的大小不敏感，但当粒子数小于50时，可发现种群大小对PSO的性能还是有较大影响的。从计算复杂度上分析，种群粒子数多时，将需要更多的函数评价，从而增加算法的计算时间，但同时也增