(ParticleSwarmOptimizationalgorithm)又称粒子群优化.ppt

Single-Objective Optimization for Human Resource Assignment in Consulting Engineering Firms Ren-Yuan Wang 2007 * PSO CIC ? 中華民國 九十七 年 三 月 三十一 日 Introduction of Particle Swarm Optimization algorithm 微粒群演算法介紹 指導教授 : 鄭明淵 博士 研究生 : 王任遠 C C I 報告流程 一、PSO背景簡介 二、PSO演算概念 五、相關應用 三、 PSO控制函式 四、範例簡介 六、文獻參考 背景簡介 背景簡介 控制函式 微粒群演算法(Particle Swarm Optimization algorithm)又稱粒子群優化，是一個年代較為新穎的新式演算法。PSO是由J. Kennedy和R. C. Eberhart於1995年開發的一種演化計算技術,源自於對一個簡化社會模型的模擬。 因為粒子(particle)的概念符合既需要將群體中的成員描述為沒有質量、沒有體積的,同時也需要描述它的速度和加速狀態。 PSO演算法最初是為了圖形化的模擬鳥群優美而不可預測的運動。而通過對動物社會行為的觀察，發現在群體中彼此對信息的共享提供一個演化的優勢，並以此作為開發演算法的基礎。 通過加入近鄰的速度匹配、並考慮了多維搜索和根據距離的加速，形成了PSO的最初版本。之後引入了慣性權重w來更好的控制開發(exploitation)和探索(exploration)，形成了標準版本。 PSO 演算概念 範例簡介 參考文獻 相關應用 演算概念 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 Maximize f(x) = x sin(10 πx)+1; -1≦x≦2 LocalBest GlobalBest 演算概念 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 PSO演算法是基於群體的， 根據對環境的適應度將群體中的個 體移動到好的區域。然而它不對個體 使用演化算子，而是將每個個體看作是D維 搜索空間中的一個沒有體積的微粒（點）， 在搜索空間中以一定的速度飛行，這個速度 根據它本身的飛行經驗和同伴的飛行經驗來 動態調整。第i個微粒表示為Xi = (xi1, xi2, …, xiD)，它經歷過的最好位置記為Li = (Li1, Li2, …, LiD)，也就是LocalBest。 在群體所有微粒經歷過的最好位置 的索引號用符號g(global)表示， 也就是GlobalBest。微粒i的速度 用Vi = (vi1, vi2, …, viD)表示。 演算概念 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 演算概念 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 GOAL Global Best Solution Past Best Solution 演算概念 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 標準PSO的演算法流程如下： a). 初始化一群微粒（群體規模為m），包括隨機的位置和速度； b). 評價每個微粒的適應度； c). 對每個微粒，將它的適應值和它經歷過的最好位置LocalBest 作比較，如果較好，則將其作為當前的最好位置LocalBest； d). 對每個微粒，將它的適應值和全域所經歷最好位置GlobalBest 的作比較，如果較好，則重新設置GlobalBest的值； e). 根據控制方程式變化微粒的速度和位置； f). 如未達到結束條件，回到b)。 控制函式 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 控制函式(演算法參數) 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 範例簡介 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 微粒群演算法應用於顧問工程公司人力資源指派最佳化(單目標) 王任遠 2007 顧問工程公司HR最佳化 背景簡介 控制函式 PSO 演算概念 範例簡介 參考文獻 相關應用 有15個專案(Projects)要指派給6組工作團隊(Teams) 每個工作團隊在做不同的專案時,所需的工作時間都不同 每個工作團隊的時薪.最多可工作時數.基本工作時數都不同 每個專案所需的成本都不同 超過基本工作時數就是超時工作(overtime),時薪為平常的1.5倍,但不可超過最多可工作時數 目標是要最小化成本(Min Cost) 4 4 3 3 3 3 3 2 2 2 2 2 1 1 1 wj 　 33.8 36.8 23 25 34.2 42.6