PSO粒子群优化算法文献综述.docVIP

文献综述 前言 最优化问题是在满足一定约束条件下，寻找一组参数值，使得系统的某些性能指标达到最大或者最小。它广泛的存在于农业，国防，工程，交通，金融，能源，通信，材料等诸多领域。最优化技术在上述领域的应用已经产生了巨大的经济效益和社会效益。国内外的实践证明，在同样条件下，经过优化技术的处理，对系统效率的提高，能耗的降低，资源的合理利用及经济效益提高均有显著的效果，而且随着处理对象规模的增大，这种效果也更加显著。但随着处理对象规模的增大，优化问题也越来越复杂，而经典的优化技术对问题的约束比较大，如梯度下降法要求优化函数是可导等，因此，对于新型优化算法的研究具有重要的意义。 PSO粒子群优化算法 2.1 基本粒子群优化算法 James Kennedy 和 Russell Eberhart 在1995年的IEEE International Conference on Neural Networks and 6th International Symposium on Micromachine and Human Science 上分别发表了“Particle swarm optimization”(粒子群优化) and “A new optimizer using particle swarm theory”(一种使用粒子群理论的新优化器)的论文，标志着粒子群优化算法的诞生。设想有这样的一个场景：一群鸟在一个只有一块食物的区域内随机的有哪些信誉好的足球投注网站食物。所有的鸟都不知道食物在哪里。但是他们知道当前位置和食物的距离。那么最简单有效的寻找策略就是有哪些信誉好的足球投注网站目前和食物距离最小的鸟的周围区域。PSO从这种模型中得到启示并用其解决优化问题。PSO中，每个优化问题的解都是有哪些信誉好的足球投注网站空间中的一只鸟，我们称之为“粒子”。所有粒子都有一个由被优化函数决定的适应度值（fitness value），每个粒子还有一个速度决定他们飞翔速度的大小和方向。随即，粒子们会追随当前的最优粒子在解空间内有哪些信誉好的足球投注网站。PSO初始化为一群随机粒子（随机解）。其最终最优解通过若干轮迭代求得。每一次迭代，每一粒子通过两个因素进行自我更新（通过取得新速度而取得新位置）：粒子自身寻解过程中的最佳解，我们称它为“自我意识”，它往往和算法的局部有哪些信誉好的足球投注网站性能有很大的关系，另一个因素我们称之为“群体智慧”，是整个群体所找到的最佳解，在速度更新中他能带领整个群体向问题的全局最优靠拢，在个体和群体的共同协作下算法可以取得最优解。可用下面的公式来表示粒子每轮的更新行为： (1) (2) 其中，Vid为粒子速度，Xid为粒子位置，C1，C2称为学习因子或加速常量，φ1，φ2 （0，1）区间内两个随机正数，Plid为个体意识（个体最佳解位置），pg为群体最佳解位置。 算法流程： 1. 初始化，设定加速常数和，最大进化代数将当前进化代数置为 t = 1 ，在定义空间中随机产生m个粒子X1,X2,…,Xn，组成初始种群,随机产生各粒子初速度V1，V2,…,VS组成位移变化矩阵V(t)。 2. 计算种群中所有粒子的适应值，初始化每粒子pbest为当前粒子，设定种群的gbest为当前种群的最优粒子。 3. 种群X(t)演化，对种群中的每一个粒子： (1) 按(1),(2)式更新粒子的位置和速度。 (2) 计算粒子的适应值。 (3) 比较粒子的适应值和自身的最优值pbest。如果当前值比pbest更优，则更新pbest为当前值，并更新pbest位置到n维空间中的当前位置。 (4) 比较粒子适应值与种群最优值。如果当前值比gbest更优，则更新gbest为当前种群最优粒子。 。 4. 检查结束条件，若满足，则结束寻优；否则，t = t + 1，转至 2.。结束条件为寻优达到最大进化代数，或评价值小于给定精度。 2.3 pso算法的缺点及改进方法 根据各种文献的描述，我们将标准PSO算法在优化过程中表现出来的问题总结如下： 1.参数控制：对于不同的问题，如何选择合适的参数来达到最优的效果。 2.缺乏速度的动态调节： 爬山能力不强，有时在达到一定的精度以后就很难再找到更好的解。 3.早熟： 粒子群过早收敛，陷入局部最大，使得寻优停滞。 针对于以上这几点缺陷，国内外一些学者已经提出了一些行之有效的改进方案，例如，在收敛性研究方面，Clerc and Kennedy[1]将PSO基本公式化简为一维空间中的单个粒子，分析了在离散时间和连续时间的移动情况，并提出了完全描述系统的五维模型，里面包含的参数能够控制