粒子群优化算法详细易懂-很多例子.ppt

粒子群算法的构成要素-权重因子权重因子：惯性因子、学习因子社会经验部分前次迭代中自身的速度自我认知部分粒子的速度更新主要由三部分组成：自我认知型粒子群算法“只有自我，没有社会”完全没有信息的社会共享，导致算法收敛速度缓慢学习因子粒子群算法的构成要素-权重因子权重因子：惯性因子、学习因子社会经验部分前次迭代中自身的速度自我认知部分粒子的速度更新主要由三部分组成：c1,c2都不为0，称为完全型粒子群算法完全型粒子群算法更容易保持收敛速度和搜索效果的均衡，是较好的选择．粒子群算法的构成要素-最大速度但在于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，作用:Vm较小时，开发能力增强，Vm一般设为每维变量变化范围的10％~20％.但粒子容易飞过最优解．容易陷入局部最优．粒子群算法的构成要素-邻域的拓扑结构全局粒子群算法和局部粒子群算法．粒子群算法的邻域拓扑结构包括两种，一种是将群体内所有个体都作为粒子的邻域，另一种是只将群体中的部分个体作为粒子的邻域．群体历史最优位置邻域拓扑结构决定由此，将粒子群算法分为粒子群算法的构成要素-邻域的拓扑结构全局粒子群算法1.粒子自己历史最优值2.?粒子群体的全局最优值局部粒子群算法1.粒子自己历史最优值2.粒子邻域内粒子的最优值邻域随迭代次数的增加线性变大，最后邻域扩展到整个粒子群。经过实践证明：全局版本的粒子群算法收敛速度快，但是容易陷入局部最优。局部版本的粒子群算法收敛速度慢，但是很难陷入局部最优。现在的粒子群算法大都在收敛速度与摆脱局部最优这两个方面下功夫。其实这两个方面是矛盾的。看如何更好的折中了。粒子群算法的构成要素-停止准则停止准则一般有如下两种：最大迭代步数可接受的满意解粒子群算法的构成要素-粒子空间的初始化较好地选择粒子的初始化空间，将大大缩短收敛时间．初始化空间根据具体问题的不同而不同，也就是说，这是问题依赖的．从上面的介绍可以看到，粒子群算法与其他现代优化方法相比的一个明显特色就是所需调整的参数很少．相对来说，惯性因子和邻域定义较为重要．这些为数不多的关键参数的设置却对算法的精度和效率有着显著影响．3.粒子群算法示例例求解如下四维Rosenbrock函数的优化问题．种群大小：解算法的相关设计分析如下．编码：因为问题的维数是4，所以每个粒子的位置和即算法中粒子的数量，取速度均4维的实数向量．设定粒子的最大速度：初始位置：设各粒子的初始位置和初始速度为：对粒子群进行随机初始化包括随机初始化各粒子的位置和速度初始速度：设各粒子的初始位置和初始速度为：对粒子群进行随机初始化包括随机初始化各粒子的位置和速度初始速度：初始位置：计算每个粒子的适应值按照计算适应值历史最优解更新粒子的速度和位置：取，,得到速度和位置的更新函数为初始速度：初始位置：群体历史最优解：个体历史最优解：更新速度，得：初始速度：初始位置：群体历史最优解：个体历史最优解：更新位置，得：初始速度：初始位置：群体历史最优解：个体历史最优解：不强行拉回解空间第九讲daili粒子群算法*第九讲daili粒子群算法*第九讲daili粒子群算法*第九讲daili粒子群算法*c0的大小决定了对粒子当前速度继承的多少，称为惯性因子；c1决定