国家重点高校粒子群算法.ppt

粒子群优化算法 PSO Particle Swarm Optimization 姚新正 西安电子科技大学 Single_121@126.com 算法介绍 PSO和其他算法 差异： (1) PSO有记忆，好的解的知识所有粒子都保 存，而GA，以前的知识随着种群的改变被改变。 (2) PSO中的粒子仅仅通过当前有哪些信誉好的足球投注网站到最优点进行共享信息，所以很大程度上这是一种单共享项信息机制。而GA中，染色体之间相互共享信息，使得整个种群都向最优区域移动。 (3) GA的编码技术和遗传操作比较简单，而PSO 相对于GA，没有交叉和变异操作，粒子只是通过内部速度进行更新，因此原理更简单、参数更少、实现更容易。 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 有关的国际会议 ANTS International Workshop on Ant Colony Optimization and Swarm Intelligence 1998年首次召开，每两年一次 2006年 The Fifth GECCO(国际演化计算会议) Genetic and Evolutionary Computation Conference 每年一次 2006年 particle swarm optimization (PSO), that focuses on continuous optimization problems. PSO资源和参考文献 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 PSO资源和参考文献 张丽平.粒子群优化算法的理论于实践.博士论文.2005.1 Kennedy J，Eberhart R．Particle swarm optimization． Proceedings of the IEEE International Conference on Neural Networks．1995．1942~1948 王冬梅.群体智能优化算法的研究.硕士论文.2004.5 李建勇.粒子群优化算法研究.硕士论文.2004.3 张燕等.微粒群优化算法及其改进形式综述.计算机工程 与应用.2005.2 1~3 完 Xidian University, Xi’an, China ? 2005 目 录 背景 算法介绍 参数分析 PSO和其他算法 PSO资源和参考文献 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 人工生命：研究具有某些生命基本特征的人 工系统。包括两方面的内容： 1、研究如何利用计算技术研究生物现象； 2、 研究如何利用生物技术研究计算问题。 我们关注的是第二点。 已有很多源于生物现象的计算技巧，例如神 经网络和遗传算法。 现在讨论另一种生物系统---社会系统：由简 单个体组成的群落和环境及个体之间的相互 行为。 背 景 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。 在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。 (2)式 (1)式 在式(1)、(2)中，i＝1，2，…，M，M是该群体中粒子的总数 背 景 群智能(swarm intelligence) 模拟系统利用局部信息从而可以产生不可预测的群行为。 我们经常能够看到成群的鸟、鱼或者浮游生物。这些生物的聚集行为有利于它们觅食和逃避捕食者。它们的群落动辄以十、百、千甚至万计，并且经常不存在一个统一的指挥者。它们是如何完成聚集、移动这些功能呢？ 算法介绍 PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个“极