粒子群优化算法.pptVIP

第章粒子群优化算法;

第1节绪论

;

第1节绪论

;举例：（标准型线性规划问题）

max

s.t:

变量非负：

数学模型具有以下特点：

1）若干个决策变量，决策变量的一组值表示一种方案，同时决策变量一般是非负的。

2）目标函数是决策变量的线性函数，根据具体问题可以是最大化（max）或最小化（min），二者统称为最优化

3）约束条件也是决策变量的线性函数

;

第1节绪论

;;为了可靠解决全局优化问题，人们试图离开解析确定型的优化算法研究，转而探讨对函数解析性质要求较低甚至不作要求的随机型优化方法。

基于Monte-Carlo（蒙特卡洛）方法思想的随机型优化方法

针对具体问题性质的特点，构造以概率1收敛于全局最优点的随机搜索算法。

仿生型智能优化算法

是近些年来人们模拟自然界的一些自然现象而发展起来的一系列群体智能算法，如模拟退火方法、进化算法、等等，是比较有效且具有普遍适应性的随机全局优化方法。;3.无免费午餐定理(NoFreeLunchTheorem,NFL);

;

第2节群智能算法的产生

;(1)0-1背包问题：

有n个不同的物品，每个物品具有重量和价值，一个背包可以承重的上限是W，找出不超过背包承重限制、且总价值最大的将物品装入背包的方案。

数学描述为：

;2/10/O221/4/O12

源于生物（动物）行为的启发

对任意i，j，在[Vmin,Vmax]内服从均匀分布产生Vij

在返回的途中，蚂蚁会根据食物的数量和质量留下不同量的信息素，信息素的浓度痕迹会引导其他蚂蚁找到食物源。

为在内的全局极小点，为其全局极小值。

14→12,11,16,26,3

粒子协同运动，一起在解空间中搜索。

14的范围内存在无限多的次全局极大点，函数强烈震荡的性态使其很难全局最优化。

对于不同的问题，如何确定局部搜索能力与全局搜索能力的比例关系，对于其求解过程非常重要。

一个算法的可靠性，是指算法具有以适当的精度求解大多数问题的能力，即能对大多数问题提供一定精度的解。

粒子协同运动，一起在解空间中搜索。

??子更新公式中的C1和C2的取值、惯性系数等。

为了更好地分析基本粒子群算法，我们将(1)式改写为:

目前已提出的有环形粒子群结构、多子群结构。

2/10/O221/4/O12

（1）

求解组播路由问题的PSO

第4节改进的PSO算法

看做粒子在搜索空间的位置

Step2计算每个粒子的适应度值；

群智能算法的一般框架

为此，YuhuiShi在1998年提出了带有惯性权重的改进粒子群算法。

广泛应用于军事作战、经济分析、经营管理和工程技术等方面。

粒子群算法应用广泛：系统优化、模式识别、信号处理、机器人技术等。

第6节PSO的研究热点

基于Monte-Carlo（蒙特卡洛）方法思想的随机型优化方法

因此，基本粒子群算法具有快速的全局搜索能力。

求解组播路由问题的PSO

设定种群规模（粒子数量）;

;*;工件;*;（4）组播路由问题;3.源于生物（动物）行为的启发

（1）蚂蚁的觅食行为

观察发现，蚂蚁可以在没有任何可见提示的情况下，找出从巢穴到食物源的最短路径，并且能随环境的变化而变化。;*;蚁群优化算法原理;*;（2）鸟群行为;*;(3)鱼群行为;*;1.群(Swarm)

群在自然界中广泛存在。根据剑桥高级学生词典的释义，Swarm被定义为alargegroupofinsectsallmovingtogether.也即：一大群一起运动的昆虫。然而，群的概念并不仅仅局限于昆虫，例如：鱼群，椋鸟群，也都表现出一定的群集性。

群的每个成员，称为一个个体。每个个体，其运动只遵循简单的规则。并且群成员之间是平等关系，而没有主从关系。由这些平等的、相互间能够协调运动的个体的集合，称之为“群”。;2.群智能(SwarmIntelligence)

通过观察鸟群和鱼群，科学家发现，由这些生物群体所表现出的集体行为以及群成员之间的相互作用是如此的协调，以致于我们从主观的观感上认为群的运动一定是由一个或若干个“与众不同”的群成员所指挥。

然而事实并非如此。

因此，一个问题产生了：Howcouldaswarmperformlikethat？答案只有一个：群智能。