规划数学 第12讲智能优化算法简介精要.ppt

粒子群算法简介 二、粒子群算法技术问题 粒子群算法的性能很大程度取决于算法的控制参数，粒子数、最大速度、学习因子、惯性权重等，各个参数的选取原则如下： 1 粒子数：粒子数的多少根据问题的复杂度自行决定。对于一般的优化问题取20至40个；对比较简单的问题10个粒子就可以；对于比较复杂的或特定的问题，粒子数可取100以上。 2 粒子的维度：由优化问题决定；为解的维度， 3 粒子的范围：由优化问题决定，每一维可设定不同的范围； 4 最大速度： 决定粒子在一个循环中最大的移动距离，通常设定为粒子的范围宽度； 5 学习因子：学习因子使粒子具有自我总结和向群体中优秀个体学习的能力，从而向群体内或邻域内最近点靠近，通常取为2，也可以相等，取值范围0到4。 6 惯性权重：决定了对粒子当前速度继承的多少，适合的选择可以使粒子具有均衡的探索能力和开发能力，惯性权重的取法一般有常数法、线性递减法、自适应法等 粒子群算法简介 三、粒子群算法的特点及应用领域 1 特点 （1）粒子群算法以决策变量的编码作为运算对象。　　 （2）粒子群算法直接以适应度作为有哪些信誉好的足球投注网站信息，无需导数等其它辅助信息。 （3）粒子群算法使用多个点的有哪些信誉好的足球投注网站信息，具有隐含并行性。 （4）粒子群算法使用概率有哪些信誉好的足球投注网站技术，而非确定性规则。 2 应用领域 （1）函数优化 （2）组合优化 （3）生产调度 （4）自动控制 （5） 机器人学 （6）图象处理 基本粒子群算法(7.2.1) 一、 基本粒子群算法的构成要素 1 粒子数 2 最大速度 3 学习因子 4 惯性权重 基本粒子群算法(7.2.1) 二 、基本粒子群算法步骤 1 随机初始化种群中各种微粒的位置和速度； 2 评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的pbest中,将所有pbest中适应值最优个体的位置和适应值存于gbest中； 3 用下面的式子更新粒子的速度和位移； 4 对每个微粒子;将其适应值与其经历过的最好位置作比较,如果较好,则将其作为当前的最好位置； 5 比较当前所有pbest和gbes的值，更新gbes； 6 若满足停止条件（通常为预设的运算精度或迭代步数），有哪些信誉好的足球投注网站停止，输出结果，否则返回3，继续有哪些信誉好的足球投注网站。 二阶粒子群算法(7.2.2) 一、 二阶粒子群算法原理 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： 二阶粒子群算法(7.2.2) 二 、二阶粒子群算法步骤 1 随机初始化种群中各种微粒的位置和速度； 2 评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的pbest中,将所有pbest中适应值最优个体的位置和适应值存于gbest中； 3 用下面的式子更新粒子的速度和位移； 4 对每个微粒子;将其适应值与其经历过的最好位置作比较,如果较好,则将其作为当前的最好位置； 5 比较当前所有pbest和gbes的值，更新gbes； 6 若满足停止条件（通常为预设的运算精度或迭代步数），有哪些信誉好的足球投注网站停止，输出结果，否则返回3，继续有哪些信誉好的足球投注网站。 基于选择的粒子群算法(7.2.3) 一、 基于选择的粒子群算法原理 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。 基于选择的粒子群算法(7.2.3) 二 、基于选择的粒子群算法步骤 1 随机初始化种群中各种微粒的位置和速度； 2 评价每个微粒的适应度,将当前各微粒的位置和适应值存储在各微粒的pbest中,将所有pbest中适应值最优个体的位置和适应值存于gbest中； 3 用下面的式子更新粒子的速度和位移； 4 对每个微粒子;将其适应值与其经历过的最好位置作比较,如果较好,则将其作为当前的最好位置； 5 比较当前所有pbest和gbes的值，更新gbes； 6将整个粒子群按适应