粒群算法解释.ppt

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 Millonas在开发人工生命算法时(1994年)，提出群体智能概念并提出五点原则： 1、接近性原则：群体应能够实现简单的时空计算； 2、优质性原则：群体能够响应环境要素； 3、变化相应原则：群体不应把自己的活动限制在一狭 小范围； 4、稳定性原则：群体不应每次随环境改变自己的模 式； 5、适应性原则：群体的模式应在计算代价值得的时候 改变。 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 社会组织的全局群行为是由群内个体行为以非线性方式出现的。个体间的交互作用在构建群行为中起到重要的作用。 从不同的群研究得到不同的应用。最引人注目的是对蚁群和鸟群的研究。 其中粒群优化方法就是模拟鸟群的社会行为发展而来。 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 对鸟群行为的模拟： Reynolds、Heppner和Grenader提出鸟群行为的 模拟。他们发现，鸟群在行进中会突然同步的改 变方向，散开或者聚集等。那么一定有某种潜在 的能力或规则保证了这些同步的行为。这些科学 家都认为上述行为是基于不可预知的鸟类社会行 为中的群体动态学。 在这些早期的模型中仅仅依赖个体间距的操作， 也就是说，这中同步是鸟群中个体之间努力保持 最优的距离的结果。 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 对鱼群行为的研究： 生物社会学家E.O.Wilso