微粒群算法研究状况与发展.docVIP

微粒群算法研究状况和发展 　　[摘要] 作为一种新兴的自然计算方法， 微粒群（PSO）算法已成为新的研究热点，它与人工生命，特别是进化策略和遗传算法有着极为特殊的联系，已完成的理论和应用研究证明微粒群算法是一种能够有效解决大多数全局优化问题的新方法。更为重要的是， 微粒群算法的潜在并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。 本文介绍了微粒群算法理论的产生和发展过程，分析和介绍了微粒群算法的基本原理以及研究现状。 　　[关键词] 微粒群算法 群智能 优化算法 　　 　　一、引言 　　 　　近年来，自然启发的算法越来越引起人们的重视，通过对自然界的观察，从自然现象尤其是生命现象中人们得到灵感，提出了一些新的求解问题的方法。在这些新的算法中，比较突出的有微粒群算法和蚁群算法，它们又被称为群智能算法。 　　1995 年，美国的James Kenney 和Russell Eberhart最早提出了微粒群算法。微粒群算法最初源于对简单社会系统，如鸟群觅食和鱼群行为的模拟，后来在研究中发现它是一种很好的优化工具。PSO方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。 PSO最早应用于人工神经网络的训练方法，现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、路由计算、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，PSO理论和方法为解决这类应用问题提供了新的途径。 　　 　　二、PSO算法原理 　　 　　James Kenney 和Russell Eberhart提出的PSO 基本模型同遗传算法类似，是一种基于迭代的优化工具。微粒群算法又被认为是一种演化算法（EA）。和其他演化算法相似，也是根据对环境的适应度将群体中的个体移动到好的区域， 不同之处在于它不像其他演化算法一样对个体使用演化算子，而将每个个体看作是d 维搜索空间中的一个没有体积没有质量的微粒，在搜索空间中以一定的速度飞行，并根据对个体和集体的飞行经验的综合分析来动态调整这个速度。 　　在PSO 算法中,用粒子的位置表示待优化问题的解,每个粒子性能的优劣程度取决于待优化问题目标函数确定的适应值,每个粒子由一个速度矢量决定其飞行方向和速率大小。设在一个d维的目标搜索空间中,群体中的第i个微粒可表示为一个d维矢量，Xi=(xi1，xi2，…，xid，)T，微粒i的速度(位置的改变)用矢量Vi =(vi1，vi2，…，vid，)T 表示。第i个微粒前面所过的最佳位置用Pi=(pi1，pi2，…，pid，)T表示。令g为群中最好的微粒，并用上标表示迭代次数，则微粒群的处理按下面两个公式处理： 　　 　　式中ω为惯性权重,ω取大值可使算法具有较强的全局搜索能力,ω取小值则算法倾向于局部搜索。式中第1 部分可理解为粒子先前的速度或惯性;第2 部份可理解为粒子的“认知”行为,表示粒子本身的思考能力;第3 部分可理解为粒子的“社会”行为,表示粒子之间的信息共享与相互合作。 　　在算法实现过程中没有交叉变异操作，而是以粒子对解空间中最优粒子的追随进行解空间的搜索。 　　同遗传算法相比，PSO的优点在于流程简单易实现，算法参数简洁，无需复杂的调整。因此从出现至今，PSO被迅速地应用于函数优化、神经网络训练、模糊系统控制、数据聚类、弹道辨识、CDMA多用户检测以及原有的一些遗传算法应用领域。 　　James Kennedy 和Rui Mendes 引入邻域拓扑的概念来调整邻域的动态选择，系统地分析了不同的种群拓扑结构时对PSO 算法效能的影响，如:影响种群结构的节点连接方式、节点聚合问题、节点间最短平均距离，以及拓扑结构与具体优化问题的相关性等问题，以说明构造种群结构的基本原则。这为具体优化问题的PSO 算法种群结构调整提供了理论基础。 　　 　　三、PSO算法特点 　　 　　与大多数基于梯度应用优化算法不同，PSO是一种概率搜索算法。 虽然概率搜索算法通常要采用较多评价函数，但与梯度方法及传统的演化算法相比，其优点还是显著的: 　　1.鲁棒性好。由于无集中控制约束，不会因个别个体的故障影响整个问题的求解。 　　2.具备分布式的特征。可方便应用分布式算法模型，及利用多处理器并行计算。 　　3.应用面广。对问题定义的连续性无特殊要求。 　　4.以非直接的信息交流方式确保了系统的扩展性。 　　5.算法实现简单。 　　PSO方法易于实现，算法中仅涉及各种基本数学操作，其数据处理过程对CPU 和内存的要求也不高。 且这种方法只需目标函数的输出值，而无需其梯度信息。 已完成的PSO理论和应用方法研究证明PSO方法是一种能够有效解决大多数全局优化问题的新方法。 更重要的是，P