PSO很好的综述.pdf

第 2 章 微粒群优化算法综述 第2 章 微粒群优化算法综述 微粒群优化算法（PSO ）是一种基于种群的随机优化技术，由Eberhart 和Kennedy 于 1995 年提出[1-2] 。微粒群算法模仿昆虫、兽群、鸟群和鱼群 等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成 员通过学习它自身的经验和其他成员的经验来不断改变其有哪些信誉好的足球投注网站模式。 Kennedy 和 Eberhart 提出微粒群算法的主要设计思想与两个方面的研 究密切相关：一是进化算法，微粒群算法和进化算法一样采用种群的方式 进行有哪些信誉好的足球投注网站，这使得它可以同时有哪些信誉好的足球投注网站待优化目标函数解空间中的较多区域。 二是人工生命，即研究具有生命特征的人工系统，它采用的主要工具是计 算机，主要方法是利用计算机编程模拟。 Millonas在用人工生命理论来研究群居动物的行为时，对于如何采用 [13] 计算机构建具有合作行为的群集人工生命系统，提出了五条基本原则 ： （1）邻近原则（Proximity Principle ）：群体应该能够执行简单的空 间和时间运算。 （2 ）质量原则（Quality Principle ）：群体应该能感受到周围环境中 质量因素的变化，并对其产生响应。 （3 ）反应多样性原则（Principle of Diverse Response ）：群体不应将 自己获取资源的途径限制在狭窄的范围之内。 （4 ）稳定性原则（Principle of Stability ）：群体不应随着环境的每一 次变化而改变自己的行为模式。 （5 ）适应性原则（Principle of Adaptability ）：当改变行为模式带来 的回报是值得的时候，群体应该改变其行为模式。 其中 4 、5 两条原则是同一个问题的两面。微粒群系统满足以上五条 原则。 近十余年来，针对微粒群算法展开的研究很多。目前国内外已有多人 从多个方面对微粒群算法进行过综述[14-27] ；并出现了多本关于微粒群算法 的专著[11, 28-29]和以微粒群算法为主要研究内容的博士论文[3, 30-36] 。 1 第 2 章 微粒群优化算法综述 2.1 来源和背景 为了说明微粒群优化算法的发展和形成背景，首先介绍一下早期的简 单模型，即 Boid （Bird-oid ）模型。这个模型是为了模拟鸟群的行为而设 计的，它也是微粒群优化算法的直接来源。 一个最简单的模型是这样的：每一个鸟的个体用直角坐标系上的点表 示，随机地给它们赋一个初速度和初位置，程序运行的每一步都按照“最 近邻速度匹配”规则，使某个个体的最近邻点的速度变得与它一样，如此 迭代计算下去，很快就会使得所有点的速度变得一样。因为这个模拟太简 单而且远离真实情况，于是在速度项中增加了一个随机变量，即在迭代的 每一步，除了满足“最近邻速度匹配”之外，每一步速度还要添加一个随