particleswarmoptimization粒子群优化算法.pptVIP

PSO算法数学表示如下： 设搜索空间为D维，总粒子数为n。第i个粒子位置表示为向量Xi=( xi1, xi2,…, xiD )；第i个粒子 “飞行”历史中的过去最优位置pbest（即该位置对应解最优）为Pi=( pi1,pi2,…,piD )，其中第g个粒子的过去最优位置Pg为所有Pi ( i=1, …,n)中的最优gbest；第i个粒子的位置变化率（速度）为向量Vi=(vi1, vi2,…, viD)。每个粒子的位置按如下公式进行变化（“飞行”）： （1） （2） 其中，C1,C2为正常数，称为加速因子；rand( )为[0，1]之间的随机数；w称惯性因子，w较大适于对解空间进行大范围探查(exploration)，w较小适于进行小范围开挖(exploitation)。第d（1≤d≤D）维的位置变化范围为[-XMAXd , XMAXd]，速度变化范围为[-VMAXd , VMAXd]，迭代中若位置和速度超过边界范围则取边界值。 粒子群初始位置和速度随机产生，然后按公式(1)(2)进行迭代，直至找到满意的解。目前，常用的粒子群算法将全体粒子群(Global)分成若干个有部分粒子重叠的相邻子群，每个粒子根据子群(Local)内历史最优Pl调整位置，即公式(2)中Pgd换为Pld。 每个寻优的问题解都被想像成一支鸟，也称为“Particle”。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏， 每一个Particle具有记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 局部 最优解 全局 最优解 运动向量 惯性向量 Study Factor Here I am! The best position of team My best position x(t) pg pi v PBest gBest x(t+1) 初始化：将种群做初始化，以随机的方式求出每一粒子之初始位置与速度。 评估：依据适应度函数计算每一个粒子适应度以判断其好坏。 计算自身最优：找出每一个粒子到目前为止的搜寻过程中最佳解，这个最佳解称之为Pbest。 计算全局最优：找出种群中的最佳解，此最佳解称之为Gbest。 更新速度和位置：根据速度与位置公式更新每一粒子的速度与位置。 算法终止. 返回步骤2继续执行，直到获得一个令人满意的结果或符合终止条件为止。 粒子数: 一般取 20 – 40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果, 不过对于比较难的问题或者特定类别的问题, 粒子数可以取到100 或 200 粒子的维数: 这是由优化问题决定, 就是问题解的长度 粒子的范围: 由优化问题决定,每一维可以设定不同的范围 Vmax: 最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度 学习因子: c1 和 c2 通常等于 2. 不过在文献中也有其他的取值. 但是一般 c1 等于 c2 并且范围在0和4之间 中止条件: 最大循环数以及最小错误要求. 相同点 都是基于种群的 都需要适应度函数. 都是随机计算技术 不能保证100%收敛  不同点 PSO没有交叉变异等进化操作 . PSO中通过粒子的竞争与协作实现种群进化 粒子具有记忆能力  优点 PSO 容易实现具有较小的调整参数 收敛速度快、解质量高、鲁棒性好 * * IEEE TRANSACTION ON EVOLUTIONARY COMPUTION于2004年出版了第3卷：SPECIAL ISSUE ON PSO。Russell C.Eberhart, Yuhui Shi在卷首语中指出了当前PSO研究的几个主要方向及热点： 1. 算法分析； 2. 粒子群拓扑结构； 3. 参数选择与优化； 4. 与其他演化计算的融合； 5. 应用。 * * * 生物学家Heppner等人开展了对鸟群趋同性行为的深入研究。 鸟群的同步飞行这个整体的行为只是建立在每只鸟对周围的局部感知上面，而且并不存在一个集中的控制者。 也就是说整个群体组织起来但却没有一个组织者，群体之间相互协调却没有一个协调者。 * 为了说明PSO算法的基本原理，设想如下的场景：一群鸟在随机搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是他们可以判断自己当前的位置离食物的距离。 研究表明：最简单有效的就是搜寻目前离食物最近的鸟的周围区域，利用搜索过程中离食物最近鸟的经验及自身的经验，整个鸟群便很容易找到食物的位置所在。 * * * 群体智能（Swarm Intelligence） 生物学家研究表明：在这些群居生物中虽然每个个体的智能不高，行为简单，也不存在集中的指挥，但由这