粒子群算法最全的.pptVIP

智能优化计算 华东理工大学自动化系 2007年 共同特点 基于概率计算的随机搜索进化算法，在结构、研究内容、方法以及步骤上有较大的相似性； 存在的问题 （1）数学理论基础相对薄弱； （2）参数设置没有确切的理论依据，对具体问题和应用环境的依赖性大； 6.10 群智能优化的特点与不足 智能优化计算 华东理工大学自动化系 2007年 存在的问题 （3）比较性研究不足，缺乏用于性能评估的标准测试集； （4）不具备绝对的可信性，存在应用风险； 进一步的工作 （1）进一步研究真实群居动物的行为特征； （2）进一步研究算法的收敛性； 6.10 群智能优化的特点与不足 智能优化计算 华东理工大学自动化系 2007年 存在的问题 （3）进一步提高收敛速度，从而解决大规模优化问题； （4）进一步研究各种参数设置问题； （5）研究群智能的并行算法； （6）进一步研究各算法的适用范围； （7）研究与其它算法的混合技术。 6.10 群智能优化的特点与不足 第六章 结束 智能优化计算 华东理工大学自动化系 2007年 谢谢大家！ 感谢您的观看！ 智能优化计算 华东理工大学自动化系 2007年 粒子速度和位置的更新 其中，w称为惯性权重， c1和c2为两个正常数，称 为加速因子。 将 vidk 限制在一个最大速 度 vmax 内。 6.7 基本粒子群优化算法 6.7.1 基本粒子群算法描述 x k v k p p gbest x k+1 v k+1 k k k+1 k+1 智能优化计算 华东理工大学自动化系 2007年 粒子速度和位置的更新 6.7 基本粒子群优化算法 6.7.1 基本粒子群算法描述 “惯性部分”，对自身运动状态的信任 “认知部分”，对微粒本身的思考，即来源于自己经验的部分 “社会部分”，微粒间的信息共享，来源于群体中的其它优秀微粒的经验 智能优化计算 华东理工大学自动化系 2007年 迭代过程 6.7 基本粒子群优化算法 6.7.1 基本粒子群算法描述 智能优化计算 华东理工大学自动化系 2007年 算法流程 6.7 基本粒子群优化算法 Start Initialize particles with random position and velocity vectors. For each particle’s position (xi) evaluate fitness If fitness(xi) better than fitness(p) then p= xi Loop until all particles exhaust Set best of ps as gBest Update particles velocity and position Loop until max iter Stop: giving gBest, optimal solution. 6.7.1 基本粒子群算法描述 智能优化计算 华东理工大学自动化系 2007年 惯性权重w 使粒子保持运动惯性，使其有扩展搜索空间的趋势，有能力探索新的区域。 表示微粒对当前自身运动状态的信任，依据自身的速度进行惯性运动。 较大的w有利于跳出局部极值，而较小的w有利于算法收敛。 6.7 基本粒子群优化算法 6.7.2 参数分析 智能优化计算 华东理工大学自动化系 2007年 加速常数c1和c2 代表将微粒推向pbest和gbest位置的统计加速项的权重。 表示粒子的动作来源于自己经验的部分和其它粒子 经验的部分。 低的值允许粒子在被拉回之前可以在目标区域外徘 徊，而高的值则导致粒子突然冲向或越过目标区 域。 6.7 基本粒子群优化算法 6.7.2 参数分析 智能优化计算 华东理工大学自动化系 2007年 加速常数c1和c2 将c1和c2统一为一个控制参数，φ= c1+c2 如果φ很小，微粒群运动轨迹将非常缓慢； 如果φ很大，则微粒位置变化非常快； 实验表明，当φ=4.1（通常c1=2.0，c2=2.0）时，具有很好的收敛效果。 6.7 基本粒子群优化算法 6.7.2