没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
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
第 2 章 微粒群优化算法综述
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机变化的量,这样使得整个模拟看起来
更为真实。
Heppner设计了一个“谷地模型”来模拟鸟群的觅食行为
[37]
。假设在平面上存
在一个“谷地”,即食物所在地,鸟群开始时随机地分散在平面上,为了寻觅食物
所在地,它们按照如下规则运动:
首先假设谷地的位置坐标为 ,单个鸟的位置和速度坐标分别为
和 ,用当前位置到谷地的距离:
(2-1)
来衡量当前位置和速度的“好坏程度”,离谷地的距离越近,则越“好”,反之越
“坏 ”。 假设每一个鸟具有 记忆能力,能够记住曾经达到的最好位置,记作
pBest,并记a为系统规定的速度调节常数,rand为一个[0,1]间的随机数,设定速
度项按照下述规则变化:
然后假设群体之间可以以某种方式通讯,每个个体能够知道并记住到当前为止
整个群体的最好位置,记为gBest,记b为系统规定的速度调节常数,Rand为一
个[0,1]间的随机数,则速度项在经过以上调整后,还必须按照下述规则变化:
在计算机上模拟的结果显示:当a/b较大时,所有的个体很快地聚集到“谷地”上;
反之,微粒缓慢地摇摆着聚集到“谷地”的四周。通过这个简单的模拟,发现群体
能很快地找到一个简单函数(2-1)的最优点。受该模型启发,Ke nn edy和
Eberhart设计出了一种演化优化算法,并通过不断的试验和试错,最后将此算法
的基本型固定为:
(2-2)
(2-3)
其中符号的意义同上。研究者认为每个个体被抽象为没有质量和体积,而仅仅具
有速度和位置的微粒,故将此方法称为“微粒群”优化算法。
2
第 2 章 微粒群优化算法综述
图2-1 微粒群优化算法流程图
据此,可对微粒群算法小结如下:微粒群算法是一种基于种群的搜索过程
其中每个个体称作微粒,定义为在D维搜索空间中待优化问题的潜在解,保存有
其历史最优位置和所有微粒的最优位置的记忆,以及速度。在每一演化代,微粒
的信息被组合起来调整速度关于每一维上的分量,继而被用来计算新的微粒位置
微粒在多维搜索空间中不断改变它们的状态,直到到达平衡或最优状态,或者超
过了计算限制为止。问题空间的不同维度之间唯一的联系是通过目标函数引入的
很多经验证据已经显示该算法是一个非常有效的优化工具。微粒群优化算法的流
程图见图2-1。
以下给出微粒群算法的比较完整的形式化表述。在连续空间坐标系中,微
粒群算法的数学描述如下:设微粒群体规模为N,其中每个微粒在D维空间中的
坐 标 位 置 向 量 表 示 为 , 速 度 向 量 表 示 为
,微粒个体最优位置(即该微粒经历过的最优位置)
记为 ,群体最优位置(即该微粒群中任意个体经历
过的最优位置)记为 。不失一般性,以最小化问
题为例,在最初版本的微粒群算法中,个体最优位置的迭代公式为:
3
剩余19页未读,继续阅读
资源评论
不为人知的小白
- 粉丝: 3
- 资源: 6
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功