人工智能--PSO粒子群优化算法求解[参考].pdfVIP

《人工智能导论》实验报告之二 基于 POS的粒子群优化问题求解 专业班级： 姓 名： 学 号： 电子信箱： 手机号码： 提交日期： 2012-05-31 指导老师： 程国建 实验成绩： 1 / 8 一、实验目的： 粒子群优化算法 (PSO)是一种进化计算技术 (evolutionary computation) ，有 Eberhart 博士和 kennedy博士发明。源于对鸟群捕食的行为研究 PSO同遗传算法类似， 是一种基于叠代的优化工具。 系统初始化为一组随机 解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉 (crossover)以及变异 (mutation) 。而是粒子在解空间追随最优的粒子进行搜索。 同遗传算法比较， PSO 的优势在于简单容易实现并且没有许多参数需要调 整。通过 POS来 二、实验内容： 粒子群优化算法 (PSO) 也是起源对简单社会系统的模拟 . 最初设想是模拟鸟 群觅食的过程 . 但后来发现 PSO是一种很好的优化工具 . PSO模拟鸟群的捕食行为。设想这样一个场景：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那里。 但是他们知道当前的 位置离食物还有多远。 那么找到食物的最优策略是什么呢。 最简单有效的就是搜 寻目前离食物最近的鸟的周围区域。 PSO从这种模型中得到启示并用于解决优化问题。 PSO中，每个优化问题的 解都是搜索空间中的一只鸟。我们称之为“粒子” 。所有的例子都有一个由被优 化的函数决定的适应值 (fitness value)，每个粒子还有一个速度决定他们飞翔的方 向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索 PSO 初始化为一群随机粒子 (随机解 )。然后通过叠代找到最优解。在每一次 叠代中，粒子通过跟踪两个 极值 来更新自己。第一个就是粒子本身所找到的最 优解。这个解叫做个体极值 pBest. 另一个极值是整个种群目前找到的最优解。 这个极值是全局极值 gBest。另外也可以不用整个种群而只是用其中一部分最为 粒子的邻居，那么在所有邻居中的极值就是局部极值。 在找到这两个最优值时 , 粒子根据如下的公式来更新自己的速度和新的位 置 v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a) present[] = persent[] + v[] (b) v[] 是粒子的速度 , persent[] 是当前粒子的位置 . pbest[] and gbest[] 如前定 义 rand () 是介于（ 0， 1）之间的随机数 . c1, c2 是学习因子 . 通常 c1 = c2 = 2. 程序的伪代码如下 For each particle ____Initialize particle END Do ____For each particle ________Calculate fitness value ________If the fitness value is better than the best fitness value (p