赞
踩
粒子群(鸟群算法)算法是典型的寻优算法。分为全局最优和局部最优。 基本思想:主要模拟自然界生物捕食的策略,群体迭代,粒子在解空间追随最优的例子进行搜索。是智能算法的一种。
算法特点:
粒子群算法的构成要素:
作用:
在于维护算法的探索能力和开发能力的平衡。Vm较大时,探索能力增强,但是容易飞过最优解。Vm较小的时候,开发能力增强,但是容易陷入局部最优解。Vm一般设为每维变化范围的10%-20%。
粒子群算法的邻域拓扑结构包括两种:
一种是将群体内的所有个体都作为粒子的邻域,另一种是只将群体中的部分个体作为粒子的邻域。
邻域拓扑结构决定了群体历史的最优位置。由此,将粒子群算法分为全局粒子群算法和局部粒子群算法。
全局粒子群算法包括:
停止准则一般有以下两种:
最大迭代步数
可接受的满意解
较好地选择粒子的初始化空间,将大大缩短收敛时间。初始化空间根据具体问题的不同而不同。也就是说,这是问题依赖的。
总结:从上面的介绍可以看出,粒子群算法与其他现代优化方法相比的一个明显特色就是需要修改的参数很少。相对来说,惯性因子和邻域定义较为重要。这些关键参数的设置对算法的精度和效率有显著影响。
例题:
题目来看主要是找最小值,即最优解的问题。
种群大小:即算法中粒子的数量,取m=5
编码:因为问题的维数是4,所以每个粒子的位置和速度均为4维的实数向量。
速度设定为Vmax=60,因为x属于-30-30之间。一共是60个空间。所以设置速度为60.
粒子群算法流程:
第一步:在初始化范围内,对粒子群进行随机初始化,包括随机位置和速度。
第二步:计算每个粒子的适应值。
第三步:更新粒子个体的历史最优位置。
第四步:更新粒子群体的历史最优位置。
第五步:更新粒子的速度和位置,
第六步:如果没有达到终止条件,转第二步。
用动态调整惯性权重来平衡收敛的全局性和收敛速度,该算法被称为标准PSO算法。
惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大,全局寻优能力强,局部寻优能力弱。反之,则局部寻优能力强。当问题空间较大时,为了在搜索速度和搜索精度之间达到平衡,通常的做法是使算法在前期有较高的全局搜索能力以得到合适的种子,而在后期有较高的局部搜索能力以提高收敛精度,所以w不宜为一个固定的常数。
线性递减权重:
较大的w有较好的全局收敛能力,较小的w则有较强的局部收敛能力。因此,随着迭代次数的增加,惯性权重w应该不断减小,从而使得粒子群算法在初期具有较强的全局收敛能力,而晚期具有较强的局部收敛能力。
收缩因子法改进粒子群算法:
引入收缩因子来保证算法的收敛性。
速度更新公式为:
其中,收缩因子K为受φ1 φ2 限制的w。φ1 φ2是需要预先设定的模型
参数
收缩因子法控制系统行为最终收敛,且可以有效搜索不同区域,该法能得到较高质量的解。
PSO应用面:
PSO应用包括系统设计,多目标优化,分类 (分类精度达到最大值),模式识别,调度(调度时间最少),信号处理,决策。具体应用为:模糊控制器设计,车间作业调度,机器人实时路径规划,自动目标检测,时频分析。
他的中心的思想为求解函数的最大值最小值。就是转化成结果的最大值最小值。
PSO存在的问题:
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。