群体智能及其应用教学材料.pptVIP

群体智能及其应用;Date;大自然中的智能群体：蚂蚁群、鸟类群体、细菌繁衍和鱼群等等。;1.2 蚁群优化;有兴趣的同学可以参考Marco Dorigo的 Ant Colony Optimization 个人网址 , 或 者他的专著 “Ant Colony Optimization”。; 微粒群优化算法(Particle swarm optimization, PSO)是Kennedy和Eberhart在1995年提出的。它的提出既有人工智能和社会心理学的背景，又有工程和计算机科学的背景。;在某些方面PSO与细胞自动机(Cellular Automata, CA)是紧密联系的 ①每一个细胞个体同时被更新； ②细胞状态的变化只受细胞自身和周遭细胞的影响； ③所有细胞均遵循同样的更新规则。(Rucker,1999);闪光灯(blinker);PSO与遗传算法(Genetic Algorithm, GA)之间联系： PSO和GA都是基于种群进行搜素的，具有本质并行性； 两种算法都是以目标函数值为搜索信息，适用于各类优化问题； “适者生存”规则不适用于PSO。尽管PSO也利用适应值概念，但是适应值小的微粒不会灭亡； 没有交叉和变异等遗传操作算子； 每个微粒利用自身经验和邻域中其它微粒的经验更新位置。;微粒群优化算法的发展;微粒群优化算法的应用 ;相关资源;2.1 算法原理;单个鸟 整个鸟群 鸟群寻找食 物的飞行策 略;基本PSO;基本PSO;微粒速度限制;PSO程序(最大化问题);惯性权重;惯性权重(续);加速度系数(Acceleration coefficients);自适应或动态加速度系数： ;压缩因子(Constriction factor);3. PSO算法的收敛性;如何防止上述问题的发生呢？;部分典型方法: Dissipative PSO (Xie, et al., 2002)----增加微粒群的多样性; PSO with mutation (Stacey, et al., 2004)----重新初始化已经收敛的微粒; PSO with passive congregation (He et al.,2004)----提高微粒群的多样性; Speciation-based PSO (Li et al., 2006 )----根据微粒之间相似程度，把整个微 粒群划分为若干类。 Self-organizing PSO (Ratnaweera, et al. 2004) ----改进算法的控制参数; Multi-swarm parallel PSO, MPPSO (Belal M et al.,2004)-----利用多种群思想。;部分典型方法： 差分算法(Differential Evolution, DE) (Zhang and Xie, 2003) 遗传算法 (Genetic algorithm, GA) (Matthew et al., 2005); 爬山法; 模拟退火(Simulated annealing, SA )(Nasser Sadati et al., 2006); 单纯形法 (Simplex method, SM) (Fan S K et al., 2007).;4. 微粒群拓扑结构;几种拓扑结构：;我们应该选择那种拓扑结构？;5.并行微粒群优化算法 ;主从式模式，又称全局式PSO;细粒度模式，又称扩散式PSO;粗粒度模式，又称迁移式PSO;6. 二进制微粒群优化算法;为了防止s(v)饱和，Kennedy等还建议将 限制在[-4,4]之间。;测试函数;7.基于微粒群优化的多机器人协同搜索;7.1 研究背景;7.2 问题描述;7.3 基于PSO的多机器人搜索算法 ------Pugh and Martinoli, 2007 ;A. 离散对连续时间;C. 移动限制;D. 函数评价;E. 机器人的邻域;7.4气味寻源仿真结果;8.基于粒子群优化的PID控制算法;执行流程图;仿真结果;PSO;9. 用于多项目选址问题的微粒群优化算法;研究背景：;构建解矩阵;通过结合微粒群优化算法的快速寻优能力和变异算子的突变能力，提出一种适于离散变量选址问题的优化算法，即基于对换变异的微粒群优化算法。;为了提高微粒群的多样性，对微粒实施对换变异。首先判断微粒是否停止进化，如果是，则对其实施一次横向对换变异和一次纵向对换变异，随后通过比较两次变异结果，选择胜者为微粒个体最优点，败者为新的微粒位置。 ;? 算法流程图;10.我们的工作;取得的科研成果;应用研究 多项目选址问题 1. 多项目多