群体智能(第二).ppt

PSO用于交通事故分析 提出一种基于K-mean聚类全局引导的多目标PSO用于交通事故分析。 用该PSO来发现关联规则，以此寻求与交通事故严重程度相关联的因素。 文献：Chenye Qiu, Chunlu Wang, Binxing Fang, Xingquan Zuo. A multi-objective particle swarm optimization based partial classification for accident severity analysis. Applied Artificial Intelligence, 2014, 28(6): 555-576. 基于K-mean聚类的全局引导粒子选择方法 交通事故数据 交通事故数据 获得的关联规则 PSO用于云资源分配 针对在需求峰值时云资源不足的问题，提出一种基于PSO的资源分配方法，将用户任务合理地分配给私有云和公有云。 构造一种自适应PSO来解决这一问题。 文献：Xingquan Zuo, Guoxiang Zhang, Wei Tan. Self-adaptive Learning PSO based Deadline Constrained Task Scheduling for Hybrid IaaS Cloud, IEEE Transactions on Automation Science and Engineering, 2014, 11(2): 564-573. 云资源分配框架 问题的定义 采用的算法 采用的算法 获得的结果 获得的结果 获得的结果 获得的结果 * 群 体 智 能 粒子群优化 粒子群优化 粒子群优化（Particle Swarm Optimization, 简称PSO）[1]，又称为微粒群算法，是由美国的心理学家J. Kennedy和电气工程师R. Eberhart于1995年提出的一种算法。 [1] J. Kennedy and R. Eberhart. “Particle Swarm Optimization,” Proceedings of IEEE International Conference on Neural Networks, Perth, WA, 1995, pp. 1942-1948. PSO是模拟鸟群飞行觅食行为的一种随机优化算法。 Kennedy和Eberhart的初衷是研究鸟的觅食行为，建立一个模型来模拟鸟群寻找食源的现象。 Kennedy和Eberhart在实验中发现，这个模型有很强的优化能力。 PSO原理 将问题的有哪些信誉好的足球投注网站空间类比于鸟类的飞行空间。 将每一只鸟抽象为一个无质量无体积的微粒（Particle)，用于表征每个候选解。 优化寻求最优解等同于鸟群寻找食物。 PSO为每个微粒制定了类似于鸟类运动的简单行为规则，从而使整个微粒群的运动表现出与鸟类觅食类似的特性，用于求解复杂优化问题。 PSO原理 单个微粒，代表一个解 微粒群体 微粒位置和速 度的更新策略 PSO 单个鸟 整个鸟群 鸟群寻找食物的飞行策略 鸟群行为 PSO是对鸟群寻找食物这种群体行为的模拟 PSO算法 每个粒子有一个位置和一个速度。 粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，即pBest；另一个是整个种群的最优解，即gBest。 鸟群怎样尽量快的找到食物？ 一个有效的方法就是搜寻目前离食物最近同伴的位置。 PSO算法 假设有哪些信誉好的足球投注网站空间为d维，群体（Swarm）中的粒子数为n。 在第t次迭代中，群体中第i个粒子的位置表示为： 第i个粒子在飞行中所经过的最佳位置为： 群体中所有粒子的 中最佳位置为： 第i个粒子的位置变化速度为： PSO算法 每个粒子的位置按如下公式变化： 其中 和 为[0,1]间的随机数； 和 为加速系数，用来控制 和 对粒子飞行方向的影响。 若粒子i的位置的第j维超过范围 ，则取边界值。 若粒子i的速度的第j维超过范围 ，则取边界值。 PSO算法 速度冲量 认知项 社会项 微粒速度更新公式包括三项: 速度冲量：指引微粒继续飞行的先前微粒速度。 认知项：微粒重新返回其所经过的最好位置的趋势，既微粒本身 记忆的影响。 社会项：微粒被当前最好位置吸引的趋势，既群体信息的影响。 在三部分的共同作用下，微粒根据历史经验并利用全局信息，不断 调整自己的位置，以期找到最优解。 1. 在有哪些信誉好的足球投注网站空间中随机生成n个微粒，组成微粒群; 2. 重复下列步骤：