- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
文档来源为:从网络收集整理
文档来源为:从网络收集整理.word版本可编辑?欢迎下载支持.
PAGE
PAGE #文档来源为:从网络收集整理.word版本可编辑.欢迎下载支持.
PSO
引言
粒子群优化算法(PSO)是种进化计算技术(evoluti on ary compu tatio n),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--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。详细的步骤以后的章节介绍
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。目前已广泛应用于 函数优化,神经网络训练,模糊系统控制以及其他遗传算法的应用领域。
背景:人工生命
〃人工生命〃是来研究具有某些生命基本特征的人工系统 ?人工生命包括两方面的内容
研究如何利用计算技术研究生物现象
研究如何利用生物技术研究计算问题
我们现在关注的是第二部分的内容.现在已经有很多源于生物现象的计算技巧.例如,人工神经 网络是简化的大脑模型.遗传算法是模拟基因进化过程的.
现在我们讨论另一种生物系统-社会系统.更确切的是,在由简单个体组成的群落与环境以及 个体之间的互动行为.也可称做群智能(swarm intelligence).这些模拟系统利用局部信息从而可 能产生不可预测的群体行为例如floys和boids,他们都用来模拟鱼群和鸟群的运动规律,主要用于 计算机视觉和计算机辅助设计.
在计算智能(computational intelligence)领域有两种基于群智能的算法.蚁群算法(ant colony optimization)和粒了群算法(particle swarm optimization).前者是对蚂蚁群落食物采集过程的模 拟.已经成功运用在很多离散优化问题上.
粒子群优化算法(PSO)也是起源对简单社会系统的模拟程..最初设想是模拟鸟群觅食的过 但后来发现PSO是一种很好的优化工具.
算法介绍
如前所述,PSO模拟鸟群的捕食行为。设想这样 一群鸟在随机搜索食物。在但
一个场景:这个区域里只有一块食物。所有的鸟都是他们知道当前的位置离食物最简单有效的 不知道食物在那里。还有多远。那么找到食物的最就是搜寻目前离食物最近的鸟 优策略是什么呢。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屮,每个优化问题的解都是搜索
空间屮的一只鸟。我们称之为“粒子” o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“最优值”来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体最优值 PBesto另一个最优值是整个种群目前找到的最优解,这个最优值是全局最优值gBesto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后,粒子根据如下的公式来更新自己的速度和新的位置:
v[k+l] = w * v[k] + cl * rl * (pbest [k] - present [k]) + c2 * rl* (gbest [k] - (a)
present [k])
present[k+1] = persent[k] + v[k+l] (b)
其中:
w :速度惯性权重;v[k]:粒子k时刻的速度;persent[k]:粒子k时刻的位置;pbest[k]:个体最优 值;gbest [k]:全局最优值;rl, r2:介于(0, 1)之间的随机数;cl, c2是学习因子;通常取cl = c2 =2 o
(a)式中第二项是“认知”部分,代表粒子对自身的学习;第三项是“社会”部分,代 表粒子间 的协作。这两部分使粒子具有自我总结和像群体中最优个体学习的能力。
算法流程
For each particle
Initialize particle
END
Do
For each particle
Calculate fitness value
If the fitness value is better than the best fitness value
(pBest) in history set current value as the new pBest
End
Choose the particle with the best fitne
您可能关注的文档
最近下载
- 怎样选购冰箱.doc VIP
- 2025年新生儿窒息复苏考试试题(附答案).docx VIP
- 系统性红斑狼疮护理查房.ppt VIP
- 魏晋玄学课件.ppt VIP
- 2020安徽芜湖一中高一自主招生考试语文试卷真题(含答案详解).pdf VIP
- 小学科学苏教版四年级上册第三单元《常见的力》教案(共4课)(2020新版).pdf
- 2024年包头市九原区社区工作者招聘真题 .pdf VIP
- 2021年安徽芜湖一中高一自主招生考试语文试卷真题(含答案详解).pdf VIP
- 二年级数学上册 作业本提优-第三单元提优测试卷 (含答案)(苏教版).docx VIP
- 工作票签发人负责人许可人上岗资格考试题B卷答案.docx VIP
文档评论(0)