粒子群優(yōu)化算法詳細易懂很多例子

關于粒子群優(yōu)化算法詳細易懂很多例子第1頁，共47頁，2023年，2月20日，星期五智能算法向大自然學習遺傳算法(GA)物競天擇，設計染色體編碼，根據適應值函數進行染色體選擇、交叉和變異操作，優(yōu)化求解人工神經網絡算法(ANN)模仿生物神經元，透過神經元的信息傳遞、訓練學習、聯想，優(yōu)化求解模擬退火算法(SA)模模仿金屬物質退火過程第2頁，共47頁，2023年，2月20日，星期五解決最優(yōu)化問題的方法傳統(tǒng)搜索方法保證能找到最優(yōu)解HeuristicSearch不能保證找到最優(yōu)解第3頁，共47頁，2023年，2月20日，星期五

由Kennedy和Eberhart于1995年提出．群體迭代，粒子在解空間追隨最優(yōu)的粒子進行搜索.簡單易行粒子群算法:收斂速度快設置參數少已成為現代優(yōu)化方法領域研究的熱點．粒子群算法發(fā)展歷史簡介

第4頁，共47頁，2023年，2月20日，星期五粒子群算法的基本思想粒子群算法的思想源于對鳥群捕食行為的研究．模擬鳥集群飛行覓食的行為，鳥之間通過集體的協作使群體達到最優(yōu)目的，是一種基于SwarmIntelligence的優(yōu)化方法。馬良教授在他的著作《蟻群優(yōu)化算法》一書的前言中寫到：大自然對我們的最大恩賜！“自然界的蟻群、鳥群、魚群、羊群、牛群、蜂群等，其實時時刻刻都在給予我們以某種啟示，只不過我們常常忽略了大自然對我們的最大恩賜！......”第5頁，共47頁，2023年，2月20日，星期五第6頁，共47頁，2023年，2月20日，星期五粒子群算法的基本思想

設想這樣一個場景：一群鳥在隨機搜索食物在這塊區(qū)域里只有一塊食物;所有的鳥都不知道食物在哪里;

但它們能感受到當前的位置離食物還有多遠.

已知那么:找到食物的最優(yōu)策略是什么呢？

搜尋目前離食物最近的鳥的周圍區(qū)域．根據自己飛行的經驗判斷食物的所在。PSO正是從這種模型中得到了啟發(fā)．

PSO的基礎:

信息的社會共享

第7頁，共47頁，2023年，2月20日，星期五生物學家對鳥(魚)群捕食的行為研究

社會行為(Social-OnlyModel)個體認知(Cognition-OnlyModel)第8頁，共47頁，2023年，2月20日，星期五粒子群特性第9頁，共47頁，2023年，2月20日，星期五算法介紹

每個尋優(yōu)的問題解都被想像成一只鳥，稱為“粒子”。所有粒子都在一個D維空間進行搜索。所有的粒子都由一個fitnessfunction

確定適應值以判斷目前的位置好壞。每一個粒子必須賦予記憶功能，能記住所搜尋到的最佳位置。每一個粒子還有一個速度以決定飛行的距離和方向。這個速度根據它本身的飛行經驗以及同伴的飛行經驗進行動態(tài)調整。第10頁，共47頁，2023年，2月20日，星期五粒子群優(yōu)化算法求最優(yōu)解

D維空間中，有N個粒子；粒子i位置：xi=(xi1,xi2,…xiD)，將xi代入適應函數f(xi)求適應值；粒子i速度：vi=(vi1,vi2,…viD)粒子i個體經歷過的最好位置：pbesti=(pi1,pi2,…piD)種群所經歷過的最好位置：gbest=(g1,g2,…gD)通常，在第d（1≤d≤D）維的位置變化范圍限定在內，速度變化范圍限定在內（即在迭代中若超出了邊界值，則該維的速度或位置被限制為該維最大速度或邊界位置）

第11頁，共47頁，2023年，2月20日，星期五粒子i的第d維速度更新公式：

粒子i的第d維位置更新公式：

—第k次迭代粒子i飛行速度矢量的第d維分量

—第k次迭代粒子i位置矢量的第d維分量

c1,c2—加速度常數，調節(jié)學習最大步長

r1,r2—兩個隨機函數，取值范圍[0，1]，以增加搜索隨機性

w—慣性權重，非負數，調節(jié)對解空間的搜索范圍第12頁，共47頁，2023年，2月20日，星期五粒子速度更新公式包含三部分：第一部分為粒子先前的速度第二部分為“認知”部分，表示粒子本身的思考，可理解為粒子i當前位置與自己最好位置之間的距離。第三部分為“社會”部分，表示粒子間的信息共享與合作，可理解為粒子i當前位置與群體最好位置之間的距離。第13頁，共47頁，2023年，2月20日，星期五區(qū)域最佳解全域最佳解運動向量慣性向量

StudyFactorpg第14頁，共47頁，2023年，2月20日，星期五第15頁，共47頁，2023年，2月20日，星期五算法流程Initial：

初始化粒子群體（群體規(guī)模為n），包括隨機位置和速度。Evaluation：

根據fitnessfunction，評價每個粒子的適應度。FindthePbest：對每個粒子，將其當前適應值與其個體歷史最佳位置（pbest）對應的適應值做比較，如果當前的適應值更高，則將用當前位置更新歷史最佳位置pbest。FindtheGbest：

對每個粒子，將其當前適應值與全局最佳位置（gbest）對應的適應值做比較，如果當前的適應值更高，則將用當前粒子的位置更新全局最佳位置gbest。UpdatetheVelocity：

根據公式更新每個粒子的速度與位置。如未滿足結束條件，則返回步驟2通常算法達到最大迭代次數或者最佳適應度值的增量小于某個給定的閾值時算法停止。第16頁，共47頁，2023年，2月20日，星期五粒子群優(yōu)化算法流程圖

開始初始化粒子群計算每個粒子的適應度根據適應度更新pbest、gbest，更新粒子位置速度結束noyes達到最大迭代次數或全局最優(yōu)位置滿足最小界限？第17頁，共47頁，2023年，2月20日，星期五2維簡例Note合理解目前最優(yōu)解區(qū)域最佳解全域區(qū)域第18頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素

-群體大小m

m是一個整型參數．

m很小:

m很大:

當群體數目增長至一定水平時，再增長將不再有顯

但收斂速度慢．著的作用．陷入局優(yōu)的可能性很大．PSO的優(yōu)化能力很好，第19頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-權重因子

權重因子：慣性因子、學習因子

失去對粒子本身的速度的記憶

社會經驗部分

前次迭代中自身的速度

自我認知部分

基本粒子群算法粒子的速度更新主要由三部分組成：

慣性因子

第20頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-權重因子

權重因子：慣性因子、學習因子

社會經驗部分

前次迭代中自身的速度

自我認知部分

粒子的速度更新主要由三部分組成：

學習因子

無私型粒子群算法

“只有社會，沒有自我”迅速喪失群體多樣性，易陷入局優(yōu)而無法跳出．第21頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-權重因子

權重因子：慣性因子、學習因子

社會經驗部分

前次迭代中自身的速度

自我認知部分

粒子的速度更新主要由三部分組成：

自我認知型粒子群算法

“只有自我，沒有社會”完全沒有信息的社會共享，導致算法收斂速度緩慢

學習因子

第22頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-權重因子

權重因子：慣性因子、學習因子

社會經驗部分

前次迭代中自身的速度

自我認知部分

粒子的速度更新主要由三部分組成：

c1,c2都不為0，稱為完全型粒子群算法

完全型粒子群算法更容易保持收斂速度和搜索效果的均衡，是較好的選擇．

第23頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-最大速度

但

在于維護算法的探索能力與開發(fā)能力的平衡．

Vm較大時，探索能力增強，

作用:

Vm較小時，開發(fā)能力增強，

Vm一般設為每維變量變化范圍的10％~20％.

但

粒子容易飛過最優(yōu)解．

容易陷入局部最優(yōu)．

第24頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-

鄰域的拓撲結構

全局粒子群算法和局部粒子群算法．

粒子群算法的鄰域拓撲結構包括兩種，一種是將群體內所有個體都作為粒子的鄰域，另一種是只將群體中的部分個體作為粒子的鄰域．群體歷史最優(yōu)位置

鄰域拓撲結構決定

由此，將粒子群算法分為第25頁，共47頁，2023年，2月20日，星期五粒子群算法的構成要素-

鄰域的拓撲結構

全局粒子群算法1.粒子自己歷史最優(yōu)值2.

粒子群體的全局最優(yōu)值局部粒子群算法1.粒子自己歷史最優(yōu)值2.粒子鄰域內粒子的最優(yōu)值

鄰域隨迭代次數的增加線性變大，最后鄰域擴展到整個粒子群。經過實踐證明：全局版本的粒子群算法收斂速度快，但是容易陷入局部最優(yōu)。局部版本的粒子群算法收斂速度慢，但是很難陷入局部最優(yōu)?，F在的粒子群算法大都在收斂速度與擺脫局部最優(yōu)這兩個方面下功夫。其實這兩個方面是矛盾的?？慈绾胃玫恼壑辛恕５?6頁，共47頁，2023年，2月20日，星期五

粒子群算法的構成要素-停止準則

停止準則一般有如下兩種：

最大迭代步數

可接受的滿意解

第27頁，共47頁，2023年，2月20日，星期五

粒子群算法的構成要素-

粒子空間的初始化

較好地選擇粒子的初始化空間，將大大縮短收斂時間．初始化空間根據具體問題的不同而不同，也就是說，這是問題依賴的．

從上面的介紹可以看到，粒子群算法與其他現代優(yōu)化方法相比的一個明顯特色就是所需調整的參數很少．相對來說，慣性因子和鄰域定義較為重要．這些為數不多的關鍵參數的設置卻對算法的精度和效率有著顯著影響．第28頁，共47頁，2023年，2月20日，星期五3.粒子群算法示例

例求解如下四維Rosenbrock函數的優(yōu)化問題．種群大?。?/p>

解算法的相關設計分析如下．

編碼：因為問題的維數是4，所以每個粒子的位置和即算法中粒子的數量，取速度均4維的實數向量．設定粒子的最大速度：第29頁，共47頁，2023年，2月20日，星期五初始位置：

設各粒子的初始位置和初始速度為：

對粒子群進行隨機初始化包括隨機初始化各粒子的位置和速度

第30頁，共47頁，2023年，2月20日，星期五初始速度：設各粒子的初始位置和初始速度為：

對粒子群進行隨機初始化包括隨機初始化各粒子的位置和速度

第31頁，共47頁，2023年，2月20日，星期五初始速度：初始位置：

計算每個粒子的適應值

按照計算適應值歷史最優(yōu)解第32頁，共47頁，2023年，2月20日，星期五更新粒子的速度和位置：取，,得到速度和位置的更新函數為初始速度：初始位置：

群體歷史最優(yōu)解：個體歷史最優(yōu)解：第33頁，共47頁，2023年，2月20日，星期五更新速度，得：初始速度：初始位置：

群體歷史最優(yōu)解：個體歷史最優(yōu)解：第34頁，共47頁，2023年，2月20日，星期五更新位置，得：初始速度：初始位置：

群體歷史最優(yōu)解：個體歷史最優(yōu)解：不強行拉回解空間第35頁，共47頁，2023年，2月20日，星期五更新位置，得：初始速度：初始位置：

群體歷史最優(yōu)解：個體歷史最優(yōu)解：按照計算適應值第36頁，共47頁，2023年，2月20日，星期五重復上述步驟，將迭代進行下去．

按照計算適應值歷史最優(yōu)解第37頁，共47頁，2023年，2月20日，星期五從上述結果，可以看出，經過10000次迭代，粒子群算法得到了比較好的適應值.

第38頁，共47頁，2023年，2月20日，星期五4.粒子群算法流程第2步計算每個粒子的適應值．第1步在初始化范圍內，對粒子群進行隨機初始化，第5步更新粒子的速度和位置，公式如下．第3步更新粒子個體的歷史最優(yōu)位置．第6步若未達到終止條件，則轉第2步．包括隨機位置和速度．第4步更新粒子群體的歷史最優(yōu)位置．第39頁，共47頁，2023年，2月20日，星期五慣性權重

1998年，Shi和Eberhart引入了慣性權重w，并提出動態(tài)調整慣性權重以平衡收斂的全局性和收斂速度，該算法被稱為標準PSO算法