粒子群算法1的知识.pptVIP

* * * * * * * * * * * * * * * * 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 算法介绍 1998年shi等人在进化计算的国际会议上 发表了一篇论文《A modified particle swarm optimizer》对前面的公式(1)进行了修正。引入 惯性权重因子。 （3）式 非负，称为惯性因子。 公式(2)和(3)被视为标准pso算法。 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 算法介绍 值较大，全局寻优能力强，局部寻优能力弱； 值较小反之。 初始时，shi将 取为常数，后来实验发现，动 态 能够获得比固定值更好的寻优结果。动态 可以在PSO搜索过程中线性变化，也可根据PSO 性能的某个测度函数动态改变。 目前，采用较多的是shi建议的线性递减权值 (linearly decreasing weight, LDW)策略。 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 算法介绍 Gk为最大进化代数， ini为初始惯性权值， end为迭代至最大代数时惯性权值。 典型取值 ini＝0.9， end＝0.4。 的引入使PSO算法性能有了很大提高，针对 不同的搜索问题，可以调整全局和局部搜索能 力，也使得PSO算法能成功的应用于很多实际 问题 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 算法介绍 标准PSO算法的流程： Step1:初始化一群微粒(群体规模为m)，包括随机位置和 速度； Step2:评价每个微粒的适应度； Step3:对每个微粒，将其适应值与其经过的最好位置 pbest作比较，如果较好，则将其作为当前的 最好位置pbest; Step4:对每个微粒，将其适应值与其经过的最好位置 gbest作比较，如果较好，则将其作为当前的 最好位置gbest; Step5:根据(2)、(3)式调整微粒速度和位置； Step6：未达到结束条件则转Step2。 算法介绍 迭代终止条件根据具体问题一般选为最大迭代 次数Gk或(和)微粒群迄今为止搜索到的最优位置 满足预定最小适应阈值。 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 局部和全局最优算法 方程(2)和(3)中pbest和gbest分别表示微粒群的局部和 全局最优位置，当C1＝0时，则粒子没有了认知能力， 变为只有社会的模型(social-only): 被称为全局PSO算法.粒子有扩展搜索空间的能力，具有 较快的收敛速度，但由于缺少局部搜索，对于复杂问题 比标准PSO 更易陷入局部最优。 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 当C2＝0时，则粒子之间没有社会信息，模型变为 只有认知(cognition-onl