粒子群优化算法综述解析.docx

粒子群优化(PSO)算法 [摘要]粒子群优化(PSO)算法是一种新兴的优化技术，其思想来源于人工生命和 演化讣算理论。PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优 化。该算法简单易实现，可调参数少，已得到广泛研究和应用。详细介绍了PSO 的基本原理、其特点、各种改进方式及其应用等，并对其未来的研究进行展望。 [关键词]群体智能;优化算法;粒子群优化 1、 前言 从20世纪90年代初，就产生了模 拟自然生物群体(swarm)行为的优化 技术。Do :rigo等从生物进化的机理中 受到启发,通过模拟蚂蚁的寻径行为， 提出了蚁群优化方法；Eberhart和 Kennedy于1993年提出的粒子群优化 算法是基于对鸟群、鱼群的模拟。这 些研究可以称为群体智能(swarm intelligence) o通常单个自然生物并 不是智能的，但是整个生物群体却表 现岀处理复杂问题的能力，群体智能 就是这些团体行为在人工智能问题中 的应用。粒子群优化(PSO)最初是处理 连续优化问题的，口前其应用已扩展 到组合优化问题。山于其简单、有效 的特点,PSO已经得到了众多学者的重 视和研究。粒子群算法在求解优化函 数时，表现岀较好的寻优能力。特别 是针对复杂的工程问题，通过迭代寻 优计算，能够迅速找到近似解，因而 粒子群算法在工程计算中被广泛应用。 2、 PS0基本原理 粒子群优化算法是基于群体的演 化算法，其思想来源于人工生命和演 化计算理论。Reynolds对鸟群飞行的 研究发现，鸟仅仅是追踪它有限数量 的邻居，但最终的整体结果是整个鸟 群好像在一个中心的控制之下，即复 杂的全局行为是山简单规则的相互作 用引起的。PSO即源于对鸟群捕食行为 的研究，一群鸟在随机搜寻食物，如果 这个区域里只有一块食物，那么找到 食物的最简单有效的策略就是搜寻U 前离食物最近的鸟的周围区域。FSO算 法就是从这种模型中得到启示而产生 的，并用于解决优化问题。另外，人们 通常是以他们自己及他人的经验来作 为决策的依据，这就构成了 PSO的一个 基本概念。PSO求解优化问题时，问题 的解对应于搜索空间中一只鸟的位置， 称这些鸟为“粒子” (particle)或“主 体” (agent) □每个粒子都有自己的位 置和速度(决定飞行的方向和距离), 还有一个山被优化函数决定的适应值。 各个粒子记忆、追随当前的最优粒子， 在解空间中搜索。每次迭代的过程不 是完全随机的，如果找到较好解，将会 以此为依据来寻找下一个解。令PSO初 始化为一群随机粒子(随机解),在每 一次迭代中,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 找到的最好解，叫做个体极值点(用 Pbest表示其位置)，全局版PSO中的另 一个极值点是整个种群H前找到的最 好解，称为全局极值点(用gbest表示 其位置)，而局部版PSO不用整个种群 而是用其中一部分作为粒子的邻居， 所有邻居中的最好解就是局部极值点 (用lbest表示其位置)。在找到这两个最 好解后，粒子根据如下的式⑴和式⑵ 来更新自己的速度和位置。粒子i的 信息可以用D维向量表示,位置表示为 Xi = [Xi,i，Xi,2 ...,Xi,d],速度为Vi = [Vi,i，Vi,2…,Vi,d],其他向量类似.在每 一次迭代中，评价各微粒的LI标函数， 确定t时刻每个微粒所经过的最佳位 置Pb”t以及群体所发现的最佳位置 gbest，通过跟踪这两个最佳位置式(1) 和(2)分别更新各微粒的速度和位置。 *j(t+l)=Vi,j(t) + CiDpi,厂 Xi,j(t)] + c2r2 [P引?一Xi,j(t)] (1) Xi,j(t+l)=Xi,j(t)+Vi,j(t + ,j=l,???，d (2) cv 5是加速系数(或称学习因 子)，分别调节向全局最好粒子和个体 最好粒子方向飞行的最大步长，若太 小，则粒子可能远离U标区域，若太大 则会导致突然向LI标区域飞去，或飞 过口标区域。合适的cl,c2可以加快收 敛且不易陷入局部最优,通常令Ci = c2 =2; 和卩为0到1之间均匀分布的 随机数。通过设置微粒的速度区间 [vmin,Vmax]和位置范 ffl[xmin,Xmax],则 可以对微粒的移动进行适当的限制。 基本PSO的流程可以描述为： Stepl初始化初始搜索点的位置 XOi及其速度VOi通常是在允许的范围 内随机产生的，每个粒子的Pbest坐标 设置为其当前位置，且计算岀其相应 的个体极值(即个体极值点的适应度 值),而全局极值(即全局极值点的适 应度值)就是个体极值中最好的，记录 该最好值的粒子序号，并将gbest设置 为该最好粒子的当前位置。 Step2评价每一个粒子计算粒子 的适应度值，如果好于该粒子当前