粒子群优化算法PSOParticleSwarmOptimization.pptVIP

粒子群优化算法PSOParticle Swarm Optimization 背景 　　　我们经常能够看到成群的鸟、鱼或者浮游生物。这些生物的聚集行为有利于它们觅食和逃避捕食者。它们的群落动辄以十、百、千甚至万计，并且经常不存在一个统一的指挥者。 　　它们是如何完成聚集、移动这些功能呢？ 背景 　对鸟群行为的模拟： Reynolds、Heppner和Grenader提出鸟群行为的 模拟。他们发现，鸟群在行进中会突然同步的改 变方向，散开或者聚集等。那么一定有某种潜在 的能力或规则保证了这些同步的行为。这些科学 家都认为上述行为是基于不可预知的鸟类社会行 为中的群体动态学。 　在这些早期的模型中仅仅依赖个体间距的操作， 也就是说，这中同步是鸟群中个体之间努力保持 最优的距离的结果。 背景 对鱼群行为的研究： 　生物社会学家E.O.Wilson对鱼群进行了研究。提出：“至少在理论上，鱼群的个体成员能够受益于群体中其他个体在寻找食物的过程中的发现和以前的经验，这种受益超过了个体之间的竞争所带来的利益消耗，不管任何时候食物资源不可预知的分散。”这说明，同种生物之间信息的社会共享能够带来好处。这是PSO的基础。 算法介绍 　　 　　　　　粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation）,由Eberhart博士和kennedy博士于1995年提出 (Kennedy J，Eberhart R． Particle swarm optimization．Proceedings of the IEEE International Conference on Neural Networks．1995．1942~1948.)。源于对鸟群捕食的行为研究。 　 　　　粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解． 算法介绍 　　设想这样一个场景：一群鸟在随机的搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在那。但是它们知道自己当前的位置距离食物还有多远。 　那么找到食物的最优策略是什么？ 　最简单有效的就是搜寻目前离食物最近的鸟的 　周围区域。 算法介绍 　抽象： 　　　鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间，粒子I 在N维空间的位置表示为矢量 Xi＝(x1，x2，…，xn)，飞行速度表示为矢量Vi＝(v1，v2，…，vn),每个粒子都有一个由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(pbest) ；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(gbest) 　(gbest是pbest中的最好值)。 　　　　 　　　粒子怎么样到达下一步的运动？ 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。 算法介绍 　Vi 是粒子的速度； 　pbest和gbest如前定义； 　rand()是介于（0、1）之间的随机数；　 　Xi 是粒子的当前位置； 　c1和c2是学习因子，通常取c1＝ c2＝2； 　在每一维，粒子都有一个最大限制速度Vmax，如果某一维的速度超过设定的值，那么这一维的速度就被限定为Vmax 。（ Vmax 0） 算法介绍 算法介绍 　　　　　从社会学的角度来看，公式(1)的第一部分称为记忆项，表示上次速度大小和方向的影响；公式第二部分称为自身认知项，是从当前点指向粒子自身最好点的一个矢量，表示粒子的动作来源于自己经验的分；公式的第三部分称为群体认知项，是一个从当前点指向种群最好点的矢量，反映了粒子间的协同合作和知识共享。 　　　粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。 　　以上面两个公式为基础，形成了后来PSO 的标准形式 　 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。 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