pso算法综述.doc
需积分: 3 174 浏览量
2021-05-18
22:44:42
上传
评论
收藏 421KB DOC 举报
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搜索模式。
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搜索，这
使得它可以同时搜索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
[13]
：
（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]
。
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
1
剩余19页未读，继续阅读
资源评论
