粒子群优化算法-课件.pptVIP

Matlab应用实例Matlab应用实例结果分析

maxgen=6

x=0.9383，y=1.3706

Tolerance=4.308e-4Matlab应用实例PSO求最优解粒子i的第d维速度更新公式：粒子i的第d维位置更新公式： —第k次迭代粒子i飞行速度矢量的第d维分量—第k次迭代粒子i位置矢量的第d维分量c1,c2—加速度常数，调节学习最大步长r1,r2—两个随机函数，取值范围[0，1]，以增加搜索随机性w—惯性权重，非负数，调节对解空间的搜索范围PSO求最优解区域最佳解全域最佳解运动向量惯性向量StudyFactorgbestInertiaWeight惯性部分社会认知个体认知pbestPSO算法流程InitializeEvaluationFindthePbestFindtheGbestUpdatethePositionConvergenceJudgmentEvaluation根据FitnessFunction计算出其FitnessValue以作为判断每一Particle之好坏Initialize将群族初始化，以随机的方式求出每一Particle的初始位置与速度PSO算法流程FindthePbestFindtheGbestUpdatethePositionConvergenceJudgmentFindthePbest找出每个Particle到目前为止的搜寻过程中最优解，这个最优解我们称为PbestPastBestSolutionEvaluationInitializePSO算法流程FindthePbestFindtheGbestUpdatethePositionConvergenceJudgmentEvaluationInitializeFindtheGbest找出所有Particle到目前为止所搜寻到的全体最优解，此最优解我们称之为GbestGlobalBestSolutionPastBestSolutionPSO算法流程FindthePbestFindtheGbestUpdatethePositionConvergenceJudgmentEvaluationInitializeUpdatethePosition根据速度和位移更新公式，更新每个Particle的移动方向与速度ConvergenceJudgment通常算法达到最大迭代次数Gmax或者最佳适应度函数值的增量小于某个给定的罚值时算法停止；否则返回步骤2。PSO算法流程图粒子群算法的构成要素群体大小mm是一个整形参数m很小：陷入局部最优解的可能性很大m很大：PSO的优化能力很好，计算量大粒子群算法的构成要素权重因子——惯性权重ww=0：粒子很容易趋向于同一位置w小：倾向于局部探索,精细搜索目前的小区域w大：扩展新的搜索区域,利于全局搜索StudyFactorInertiaWeight惯性部分社会认知个体认知粒子群算法的构成要素权重因子——学习因子c1，c2StudyFactorInertiaWeight惯性部分社会认知个体认知C1=0社会模型只有社会，没有自我迅速丧失群体多样性易陷入局优而无法跳出C2=0认知模型只有自我，没有社会完全没有社会信息共享算法收敛速度缓慢C1,C2≠0完全模型收敛速度搜索效果粒子群算法的构成要素最大速度Vm作用：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，但粒子容易飞过最优解Vm较小时，开发能力增强，但容易陷入局部最优．Vm一般设为每维变量的取值范围。粒子群算法的构成要素邻域的拓扑结构全局模型粒子自己历史最优值粒子群体的全局最优值收敛速度快容易陷入局部最优解局部模型粒子自己历史最优值粒子邻域内粒子的最优值收敛速度慢不易陷入局部最优解GbestPbest粒子群算法的优点与应用优点1、参数较少，容易调整2、局部与全局结合，收敛速度快应用