第7章粒子群算法要点分析.pptVIP

* 4、混合算法研究 PSO自身收敛速度快，但是容易落入局部最优。 混合算法引入了进化算法中的相关算子，或者其 他的一些增加算法多样性的技术，提高算法性能。 选择算子 交叉算子 变异算子 … 进化规则 进化策略 蚁群算法 … 结合模拟退火算法 结合人工免疫算法 结合差分进化算法 结合局部有哪些信誉好的足球投注网站算法 … 单纯性技术 函数延伸技术 混沌技术 量子技术 协同技术 小生境技术 物种形成技术 … 混合进化算子的改进 混合其他有哪些信誉好的足球投注网站算法的改进 混合其他技术的改进 四、算法改进方向和研究状况 * 四、算法改进方向和研究状况 5、离散版本改进 二进制编码离散版本 整数编码离散版本 其他形式离散版本 * 二阶粒子群算法 在标准PSO算法中，微粒的飞行速度仅仅是微粒当前位置的函数，而二阶粒子群算法中微粒飞行速度的变化与微粒位置的变化有关，其速度更新公式为： 几种改进的粒子群算法 * 基于选择的粒子群算法 将遗传算法中的选择机理与粒子群算法相结合就得到基于选择的粒子群算法。 基本思想：每次迭代过程将整个粒子群按适应值排序,用群体最好的一半的粒子的速度和位置替换最差的一半的位置和速度,同时保留原来每个个体所记忆的历史最优值。 * 基于交叉的粒子群算法原理 借鉴遗传算法中的交叉概念，在每次迭代中，根据交叉概率选取制定数量的粒子放入交叉池内，池中的粒子随机两两交叉，产生同样数目的子代粒子（child），并用子代粒子替换亲代粒子（parent）。子代位置由父代位置进行算术交叉得到： * （Particle Swarm Optimization，PSO） 7 粒子群算法 * 一、背景介绍 问题的提出： * 一、背景介绍 思想来源： 粒子群优化算法 1987年，Reynolds实现了鸟群运动的计算机可视化仿真。 1990年，动物学家Heppner和Grenander对动物群体活动规律进行研究。 Wilson在20世纪70年代指出：“至少在理论上群体觅食的过程中，群体中的每一个个体都会收益于所有成员在这个过程中的所发现和累积的经验。” 1995年，Eberhart和Kennedy提出了粒子群优化算法 * 一、背景介绍 算法思路： 源于对鸟群捕食的行为研究。粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。 我们可以设想这样的一个场景，一群鸟再随机搜寻食物。这个区域里只有一块食物。所有的鸟都不知道食物再哪里，但他们知道目前距离食物还有多远，那么找到食物的最佳策略是什么？ 1、找寻距离食物最近的鸟之周围区域 2、根据自己本身飞行的经验判断食物的所在 PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。在PSO中，每个优化问题的潜在解都可以想象成d维有哪些信誉好的足球投注网站空间上的一个点，我们称之为“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中有哪些信誉好的足球投注网站。对鸟群飞行的研究发现。鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群好像在一个中心的控制之下.即复杂的全局行为是由简单规则的相互作用引起的。 * 二、算法介绍 抽象： 鸟被抽象为没有质量和体积的微粒(点)，并延伸到N 维空间，粒子i在N维空间的位置表示为矢量： Xi=（x1，x2，…，xN）， 飞行速度表示为矢量： Vi=（v1，v2，…，vN） 每个粒子都有一个由目标函数决定的适应值，并且知道自己到目前为止的最好位置(pbest)和现在的位置Xi．这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest) (gbest是pbest中的最好值)．这个可以看作是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。 * 二、算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest ,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 * 二、算法介绍 Vi 是粒子的速度； rand()是介于（0、1）之间的随机数； xi 是粒子的当前位置； c1和c2是学习因子，通常取c1＝ c2＝2； 在每一维，粒子都有一个最大限制速度Vmax，如果某一维的速度超过设定的Vmax ，那么这一维的速度就被限定为Vmax 。（ Vmax 0） (1) (2) i＝1，2，…，M。M是该群体中粒子