PSO粒子群优化算法归纳.pdfVIP

PSO粒子群优化算法 摘自： 人工智能论坛 1. 引言 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。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 2. 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 1. 研究如何利用计算技术研究生物现象 2. 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) 和粒子群算法 (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 . 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 . 3. 算法介绍 如前所述， 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[] + c