计算智能与深度学习 课件 6粒子群算法.ppt

运行结果6.4粒子群优化算法的应用6.4.1求解TSP问题运行结果6.4粒子群优化算法的应用6.4.1求解TSP问题运行结果6.4粒子群优化算法的应用6.4.1求解TSP问题运行结果6.4粒子群优化算法的应用6.4.1求解TSP问题运行结果6.4粒子群优化算法的应用6.4.1求解TSP问题运行结果6.4粒子群优化算法的应用6.4.1求解TSP问题神经网络的训练主要包含3个方面：连接权重、网络拓扑结构及传递函数、学习算法。每个粒子包含神经网络的所有参数，通过迭代来优化这些参数，从而达到训练的目的。与BP算法相比，使用PSO训练神经网络的优点在于不使用梯度信息，可使用一些不可微的传递函数。多数情况下其训练结果优于BP算法，而且训练速度非常快。6.4粒子群优化算法的应用6.4.2其它应用参数优化模糊控制器的设计机器人路径规划信号处理和模式识别等问题组合优化背包问题目标分配问题作业调度问题6.4粒子群优化算法的应用6.4.2其它应用其他应用多目标优化自动目标检测生物信号识别决策调度系统辨识游戏训练6.4粒子群优化算法的应用6.4.2其它应用共同特点基于概率计算的随机搜索进化算法，在结构、研究内容、方法以及步骤上有较大的相似性；存在的问题（1）数学理论基础相对薄弱；（2）参数设置没有确切的理论依据，对具体问题和应用环境的依赖性大；6.5群智能优化的特点与不足存在的问题（3）比较性研究不足，缺乏用于性能评估的标准测试集；（4）不具备绝对的可信性，存在应用风险；进一步的工作（1）进一步研究真实群居动物的行为特征；（2）进一步研究算法的收敛性；6.5群智能优化的特点与不足存在的问题（3）进一步提高收敛速度，从而解决大规模优化问题；（4）进一步研究各种参数设置问题；（5）研究群智能的并行算法；（6）进一步研究各算法的适用范围；（7）研究与其它算法的混合技术。6.5群智能优化的特点与不足第6章结束华东理工大学自动化系2007年第6章粒子群算法6.1粒子群算法的基本原理6.1.1粒子群算法的提出6.1.2粒子群算法的原理描述6.2基本粒子群优化算法6.2.1基本粒子群算法描述6.2.2参数分析6.2.3与遗传算法的比较6.3改进粒子群优化算法6.3.1离散二进制PSO6.3.2惯性权重模型6.3.3收敛因子模型6.3.4研究现状6.4粒子群优化算法的应用6.4.1求解TSP问题6.4.2其它应用6.5群智能优化的特点与不足由JamesKenney（社会心理学博士）和RussEberhart（电子工程学博士，/~eberhart/）于1995年提出粒子群算法（ParticleSwarmOptimization,PSO）6.1粒子群算法的基本原理6.1.1粒子群算法的提出源于对鸟群捕食行为的研究，是基于迭代的方法简单易于实现，需要调整的参数相对较少在函数优化、神经网络训练、工业系统优化和模糊系统控制等领域得到了广泛的应用。6.1粒子群算法的基本原理6.1.1粒子群算法的提出鸟群：假设一个区域，所有的鸟都不知道食物的位置，但是它们知道当前位置离食物还有多远。PSO算法每个解看作一只鸟，称为“粒子(particle)”，所有的粒子都有一个适应值，每个粒子都有一个速度决定它们的飞翔方向和距离，粒子们追随当前最优粒子在解空间中搜索。6.1粒子群算法的基本原理6.1.2粒子群算法的原理描述PSO算法初始化为一群随机粒子，通过迭代找到最优。