粒子群优化算法(详细易懂,很多例子)[汇编].ppt

粒子群算法的基本思想 设想这样一个场景：一群鸟在随机搜索食物 在这块区域里只有一块食物; 所有的鸟都不知道食物在哪里; 但它们能感受到当前的位置离食物还有多远. 已知 那么:找到食物的最优策略是什么呢？ 搜寻目前离食物最近的鸟的周围区域 ． 根据自己飞行的经验判断食物的所在。 PSO正是从这种模型中得到了启发． PSO的基础: 信息的社会共享 * 精品PPT·可编辑借鉴 生物学家对鸟(鱼)群捕食的行为研究 社会行为 (Social-Only Model) 个体认知 (Cognition-Only Model) * 精品PPT·可编辑借鉴 粒子群特性 * 精品PPT·可编辑借鉴 算法介绍 每个寻优的问题解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。 所有的粒子都由一个fitness function 确定适应值以判断目前的位置好坏。 每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。 每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。 * 精品PPT·可编辑借鉴 粒子群优化算法求最优解 D维空间中，有N个粒子； 粒子i位置：xi=(xi1,xi2,…xiD)，将xi代入适应函数f(xi)求适应值； 粒子i速度：vi=(vi1,vi2,…viD) 粒子i个体经历过的最好位置：pbesti=(pi1,pi2,…piD) 种群所经历过的最好位置：gbest=(g1,g2,…gD) 通常，在第d（1≤d≤D）维的位置变化范围限定在 内， 速度变化范围限定在 内（即在迭代中若 超出了边界值，则该维的速度或位置被限制为该维最大速度或边界 位置） * 精品PPT·可编辑借鉴 粒子i的第d维速度更新公式： 粒子i的第d维位置更新公式： —第k次迭代粒子i飞行速度矢量的第d维分量 —第k次迭代粒子i位置矢量的第d维分量 c1,c2—加速度常数，调节学习最大步长 r1,r2—两个随机函数，取值范围[0，1]，以增加搜索随机性 w —惯性权重，非负数，调节对解空间的搜索范围 * 精品PPT·可编辑借鉴 粒子速度更新公式包含三部分： 第一部分为粒子先前的速度 第二部分为“认知”部分，表示粒子本身的思考，可理解为粒子i当前位置与自己最好位置之间的距离。 第三部分为“社会”部分，表示粒子间的信息共享与合作，可理解为粒子i当前位置与群体最好位置之间的距离。 * 精品PPT·可编辑借鉴 區域 最佳解 全域 最佳解 運動向量 慣性向量 Study Factor pg * 精品PPT·可编辑借鉴 * 精品PPT·可编辑借鉴 算法流程 Initial： 初始化粒子群体（群体规模为n），包括随机位置和速度。 Evaluation： 根据fitness function ，评价每个粒子的适应度。 Find the Pbest： 对每个粒子，将其当前适应值与其个体历史最佳位置（pbest）对应的适应值做比较，如果当前的适应值更高，则将用当前位置更新历史最佳位置pbest。 Find the Gbest： 对每个粒子，将其当前适应值与全局最佳位置（gbest）对应的适应值做比较，如果当前的适应值更高，则将用当前粒子的位置更新全局最佳位置gbest。 Update the Velocity： 根据公式更新每个粒子的速度与位置。 如未满足结束条件，则返回步骤2 通常算法达到最大迭代次数 或者最佳适应度值的增量小于某个给定的阈值时算法停止。 * 精品PPT·可编辑借鉴 粒子群优化算法流程图 开始 初始化粒子群 计算每个粒子的适应度 根据适应度更新pbest、gbest，更新粒子位置速度 结束 no yes 达到最大迭代次数或 全局最优位置满足最小界限？ * 精品PPT·可编辑借鉴 2維簡例 Note 合理解 目前最優解 區域最佳解 全域 區域 * 精品PPT·可编辑借鉴 粒子群算法的构成要素 -群体大小 m m 是一个整型参数． m 很小: m 很大: 当群体数目增长至一定水平时，再增长将不再有显 但收敛速度慢． 著的作用． 陷入局优的可能性很大． PSO的优化能力很好， * 精品PPT·可