粒子群算法研究综述与实现代码.pdfVIP

粒子群算法介绍

优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.

为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传

算法等.优化问题有两个主要问题:一是要求寻找全局最小点,二是要求有较高的收敛

速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法

(EvolutionaryAlgorithms)的一种,它通过模仿自然界的选择与遗传的机理来寻找最

优解.遗传算法有三个基本算子:选择、交叉和变异.但是遗传算法的编程实现比较复

杂,首先需要对问题进行编码,找到最优解还需要对问题进行,另外三个算子

的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目

前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出

了一种新的算法;粒子群优化(ParticwarmOptimization-PSO)算法.这种算法

以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中

展示了其优越性.

粒子群优化(ParticwarmOptimization-PSO)算法是近年来发展起来的一种

新的进化算法(EvolutionaryAlgorithm-EA).PSO算法属于进化算法的一种,和遗传

算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的

品质.但是它比遗传算则更为简单,它没有遗传算法的“交叉”(Crossover)和“变

异”(Mutation)操作.它通过追随当前搜索到的最优值来寻找全局最优.

粒子群算法

[编辑本段]

1.引言

粒子群优化算法(PSO)是一种进化计算技术(evolutionarycomputation)，有

Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究

PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，

通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。

而是粒子在解空间追随最优的粒子进行搜索。详细的步骤以后的章节介绍

同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。

目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用

领域

[编辑本段]

2.背景:

是来研究具有某些生命基本特征的人工系统.包括两方面的

内容

1.研究如何利用计算技术物现象

2.研究如何利用生物技术研究计算问题

我们现在关注的是第二部分的内容.现在已经有很多源于生物现象的计算技巧.

例如,人工神经网络是简化的大脑模型.遗传算法是模拟进化过程的.

现在我们讨论另一种生物系统-社会系统.更确切的是,在由简单组成的群落

与环境以及之间的互动行为.也可称做群智能(swarmintelligence).这些模拟系

统利用局部信息从而可能产生不可预测的群体行为

例如floys和boids,他们都用来模拟鱼群和鸟群的规律,主要用于计算机

视觉和计算机辅助设计.

在计算智能(computationalintelligence)领域有两种基于