粒子群优化算法(详细易懂-很多例子).pptVIP

c0的大小决定了对粒子当前速度继承的多少，称为惯性因子； c1决定了自身经验对粒子速度的影响程度，它保证了粒子能够向自己的历史最优位置靠近，称为学习因子； c2决定了群体经验对粒子个体速度的影响程度，它保证了粒子能够向群体中的其他粒子学习，使粒子在飞行时向邻域内所有粒子曾找到过的历史最优位置靠近，也称为学习因子． 2021/2/21 * 粒子群算法的构成要素-权重因子 　权重因子：惯性因子 、学习因子 社会经验部分 前次迭代中自身的速度 自我认知部分 粒子的速度更新主要由三部分组成: 学习因子 无私型粒子群算法 “只有社会,没有自我” 迅速丧失群体多样性, 易陷入局优而无法跳出． 2021/2/21 * 粒子群算法的构成要素 -权重因子 　权重因子：惯性因子 、学习因子 社会经验部分 前次迭代中自身的速度 自我认知部分 粒子的速度更新主要由三部分组成: 自我认知型粒子群算法 “只有自我,没有社会” 完全没有信息的社会共享, 导致算法收敛速度缓慢 学习因子 2021/2/21 * 粒子群算法的构成要素-权重因子 　权重因子：惯性因子 、学习因子 社会经验部分 前次迭代中自身的速度 自我认知部分 粒子的速度更新主要由三部分组成: c1,c2都不为0,称为 完全型粒子群算法 完全型粒子群算法更容易保持收敛速度和搜索效果的均衡,是较好的选择． 2021/2/21 * 粒子群算法的构成要素-最大速度 但 在于维护算法的探索能力与开发能力的平衡． Vm较大时，探索能力增强， 作用: Vm较小时，开发能力增强， Vm一般设为每维变量变化范围的10％~20％. 但 粒子容易飞过最优解． 容易陷入局部最优． 2021/2/21 * 粒子群算法的构成要素- 邻域的拓扑结构 全局粒子群算法和局部粒子群算法． 粒子群算法的邻域拓扑结构包括两种, 一种是将群体内所有个体都作为粒子的邻域, 另一种是只将群体中的部分个体作为粒子的邻域． 群体历史最优位置 邻域拓扑结构 决定 由此,将粒子群算法分为 2021/2/21 * 粒子群算法的构成要素- 邻域的拓扑结构 全局粒子群算法 1. 粒子自己历史最优值 2. ?粒子群体的全局最优值 局部粒子群算法 1. 粒子自己历史最优值 2. 粒子邻域内粒子的最优值 邻域随迭代次数的增加线性变大,最后邻域扩展到整个粒子群。 经过实践证明:全局版本的粒子群算法收敛速度快,但是容易陷入局部最优。局部版本的粒子群算法收敛速度慢,但是很难陷入局部最优。现在的粒子群算法大都在收敛速度与摆脱局部最优这两个方面下功夫。其实这两个方面是矛盾的。看如何更好的折中了。 2021/2/21 * 粒子群算法的构成要素 -停止准则 停止准则一般有如下两种: 最大迭代步数 可接受的满意解 2021/2/21 * 粒子群算法的构成要素 - 粒子空间的初始化 较好地选择粒子的初始化空间,将大大缩短收 敛时间．初始化空间根据具体问题的不同而不同, 也就是说,这是问题依赖的． 从上面的介绍可以看到,粒子群算法与其他现代 优化方法相比的一个明显特色就是所需调整的参数很 少．相对来说,惯性因子和邻域定义较为重要．这些 为数不多的关键参数的设置却对算法的精度和效率有 着显著影响． 2021/2/21 * 3. 粒子群算法示例 例 求解如下四维Rosenbrock函数的优化问题． 种群大小: 解 算法的相关设计分析如下． 编码:因为问题的维数是4,所以每个粒子的位置和 即算法中粒子的数量，取 速度均4 维的实数向量． 设定粒子的最大速度: 2021/2/21 * 初始位置: 设各粒子的初始位置 和初始速度 为： 对粒子群进行随机初始化 包括随机初始化各粒子的位置和速度 2021/2/21 * 初始速度: 设各粒子的初始位置 和初始速度 为： 对粒子群进行随机初始化 包括随机初