10.7 粒子群优化算法.ppt

10.7粒子群优化算法粒子群算法，也称粒子群优化算法(ParticleSwarmOptimization)，缩写为PSO。粒子群优化算法是一种进化计算技术，1995年由Eberhart博士和Kennedy博士提出[36]，该算法源于对鸟群捕食的行为研究，是近年来迅速发展的一种新的进化算法。最早的PSO是模拟鸟群觅食行为而发展起来的一种基于群体协作的随机有哪些信誉好的足球投注网站算法，让一群鸟在空间里自由飞翔觅食，每个鸟都能记住它曾经飞过最高的位置，然后就随机的靠近那个位置，不同的鸟之间可以互相交流，它们都尽量靠近整个鸟群中曾经飞过的最高点，这样，经过一段时间就可以找到近似的最高点。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，但它比遗传算法规则更为简单，没有遗传算法的“交叉”和“变异”操作，通过追随当前有哪些信誉好的足球投注网站到的最优值来寻找全局最优。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。目前已广泛应用于函数优化、系统辨识、模糊控制等应用领域。10.7.1标准粒子群算法PSO算法模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机有哪些信誉好的足球投注网站食物。在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略就是搜寻目前离食物最近的鸟的周围区域。PSO算法从这种模型中得到启示并用于解决优化问题。PSO算法中，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，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应度值，适应度值越大越好。每个粒子还有一个速度决定他们飞行的方向和距离，粒子们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。PSO算法首先初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己的位置。第一个极值是粒子本身所找到的最优解，这个解叫做个体极值。另一个极值是整个种群目前找到的最优解，这个极值称为全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是全局极值。10.7.2粒子群算法的参数设置应用PSO算法解决优化问题的过程中有两个重要的步骤:问题解的编码和适应度函数。(1)编码：PSO的一个优势就是采用实数编码，例如对于问题求最大值,粒子可以直接编码为(x1,x2,x3)，而适应度函数就是f(x)。(2)PSO中需要调节的参数如下：a)粒子数：一般取20-40，对于比较难的问题,粒子数可以取到100或200；b)最大速度Vmax：决定粒子在一个循环中最大的移动距离，通常小于粒子的范围宽度。较大的Vmax可以保证粒子种群的全局有哪些信誉好的足球投注网站能力，较小的Vmax则使粒子种群的局部有哪些信誉好的足球投注网站能力加强；c)学习因子：c1和c2通常可设定为2.0。c1为局部学习因子，c2为全局学习因子，一般取c2大一些；d)惯性权重：一个大的惯性权值有利于展开全局寻优，而一个小的惯性权值有利于局部寻优。当粒子的最大速度Vmax很小时，使用接近于1的惯性权重。当Vmax不是很小时，使用权重w=0.80较好。还可使用时变权重。如果在迭代过程中采用线性递减惯性权值，则粒子群算法在开始时具有良好的全局有哪些信誉好的足球投注网站性能，能够迅速定位到接近全局最优点的区域，而在后期具有良好的局部有哪些信誉好的足球投注网站性能，能够精确的得到全局最优解。经验表明，惯性权重采用从0.90线性递减到0.10的策略，会获得比较好的算法性能；e)中止条件：最大循环数或最小误差要求。10.7.3粒子群算法的基本流程（1）初始化：设定参数运动范围，设定学习因子c1,c2，最大进化代数G，kg表示当前的进化代数。在一个D维参数的有哪些信誉好的足球投注网站解空间中，粒子组成的种群规模大小为Size，每个粒子代表解空间的一个候选解，其中第i(1≤i≤Size)个粒子在整个解空间的位置表示为Xi，速度表示为Vi。第i个粒子从初始到当前迭代次数有哪些信誉好的足球投注网站产生的最优解为个体极值Pi，整个种群目前的最优解为BestS。随机产生Size个粒子，随机产生初始种群的位置矩阵和速度矩阵。（2）个体评价(适应度评价)：将各个粒子初始位置作为个体极值，计算群体中各个粒子的初始适应值f(Xi)，并求出种群最优位置。（3）更新粒子