生物启发式优化方法及其在管理中的应用.pptVIP

算法流程 Initialization ：将群族做初始化，以随机的方式求出每一Particle 之初始位置与速度。 Evaluation：依据fitness function 计算出其fitness value 以作为判断每一个Particle之好坏。 Find Pbest ：找出每一个Particle 到目前为止的搜寻过程中最佳解，这个最佳解称之为Pbest。 Find the Gbest：找出所有群体中的最佳解，此最佳解称之为Gbest。 Update the Velocity and position： 根据速度与位置公式 更新每一Particle的速度与位置。 Termination. 返回步骤2继续执行，直到获得一个令人满意的结果或符合终止条件为止。 * 参数选择 粒子数: 一般取 20 – 40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果, 不过对于比较难的问题或者特定类别的问题, 粒子数可以取到100 或 200 粒子的维数: 这是由优化问题决定, 就是问题解的长度 粒子的范围: 由优化问题决定,每一维可是设定不同的范围 Vmax: 最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度 学习因子: c1 和 c2 通常等于 2. 不过在文献中也有其他的取值. 但是一般 c1 等于 c2 并且范围在0和4之间 中止条件: 最大循环数以及