基本粒子群优化算法.docVIP

第八章 粒子群算法及其改进算法（初稿） 引言 自然界中一些生物的行为特征呈现群体特征，可以用简单的几条规则将这种群体行为(Swarm Behavior)在计算机中建模，实际上就是在计算机中用简单的几条规则来建立个体的运动模型，但这个群体的行为可能很复杂。例如，Reynolds使用了下列三个规则作为简单的行为规则[1]。 (1) 冲突避免 (Collision Avoidance)： 群体在一定容积空间移动，个体有自己移动的意志，但不能影响各别个体移动，避免碰撞与争执。 (2) 速度匹配(Velocity Matching)： 个体必须配合群体中心移动速度，不管在方向、距离与速率上都必须互相配合。 (3) 群集中心(Flock Centering)： 个体将会往群体中心移动，配合群体中心往目标前进。 这即是著名的Boid (Bird-bid)模型。在这个群体中每个个体的运动都遵循这三条规则，通过这个模型来模拟整个群体的运动。PSO算法的基本概念也是如此。每个粒子(Particle)的运动可用几条规则来描述，因此PSO算法简单，容易实现，越来越多地引起人们的注意。设想这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 粒子群优化算法是Kennedy和Eberhart于1995年时提出，在研究PSO的过程中，有各种不同版本出现 [2-6]。PSO的概念源自群体行为理论，启发自观察鸟群或鱼群行动时，能透过个体间特别的讯息传递方式，使整个团体朝同一方向、目标而去，是模仿此类生物行为反应来寻求完成群体最大利益的方法。 其构成的原理如下： 1） 接近原则：粒子与群体应能够依目标前进。 2）. 特性原则：群体应该能够反应环境的变化，当所处之环境并非是最佳解空间时，能够快速飞离此解空间区域。 3）. 不同响应原则：群体不会朝向不佳的解前进。 4）. 稳定原则：当环境有所改变时，群体移动不会改变其运动模式。 5）. 适应原则：计算当下最佳解时，群体将会考量适当参数变动。 第二节 基本粒子群优化算法 以平面例子说明，如图8-1，T为目标，A～E为搜寻粒子，初始粒子群分散于各处。此时群体最佳的粒子是离目标T最近的粒子D，称之为。假设粒子经过三次移动之后，位置如图8-2所示，此时群体最佳的粒子则为E4。粒子群亦分别纪录自身搜寻的最佳纪录，称之为，如图2-2，粒子A目前停驻位置为A4，其自身最佳搜寻纪录为坐标A3。 在PSO中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子”(Particle)。粒子在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。所有的粒子都有一个被目标函数决定的适应值(fitness value)，并且知道自己到目前为止发现的最好位置(particle best，记为)和当前的位置。这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(global best，记为，是在中的最好值)，这个可以看作是粒子的同伴的经验。每个粒子使用下列信息改变自己的当前位置：1)当前位置；2)当前速度；3)当前位置与自己最好位置之间的距离；4)当前位置与群体最好位置之间的距离。优化搜索正是在由这样一群随机初始化形成的粒子而组成的一个种群中，以迭代的方式进行的。 图8-1平面粒子散布图（粒子起始） 　　 图8-2 经三次位移后之路径图 一 算法的数学描述 设优化问题为 (8.2.1) 在最早Kennedy和Eberhart提出的PSO模型中[2]，设第i个微粒表示为，它经历过的最好位置（有最好的适应值）记为，也称为。在群体所有微粒经历过的最好位置的索引号用符号表示，即，也称之为。微粒i的速度用表示。对每一代，其第d维根据如下方程迭代。 (8.2.2) (8.2.3) 其中和都是正常数，称为加速系数，是两个在范围内变化的随机数。 ：为代数 ：每一Particle在第d维的速度 i： Particle的编号 d： 维数 ：学习常数 ：一介于0至1的随机数 ：每一Particle到目前为止，所出现的最优位置 ：所有Particle到目前为止，所出现的最优位置 ：Particle目前之所在位置 在搜索时，微粒的位置被最大位置和最小位置限制，如果某微粒在某维的位置超出该维的最大位置或最小位置，则该微粒的位置被限制为该维的最大位置或最小位置。同样，微粒的速度也被限制于最大速度和最小速度之间。