第六章 智能控制中的优化方法_微粒群优化算法.ppt

* 微粒群优化算法 * [22] Parsopoulos KE, Plagianakos VP,Magoulas GD and VrahatisMN Objective Function “Stretching” to alleviate convergence to local minima. Nonlinear Analysis, TMA 2001, 47(5): 3419–3424 [23] Parsopoulos KE, Plagianakos VP, Magoulas GD and Vrahatis MN Stretching technique for obtaining global minimizers through Particle Swarm Optimization[J]. Proceedings of the Particle Swarm Optimization workshop, 2001: 22–29 [24] Frans van den Bergh An Analysis of Particle Swarm Optimizers (Ph.D Dissertation, University of Pretoria, Pretoria, 2001) [25] Frans van den Bergh and Engelbrecht A. P. Training Product Unit Networks Using Cooperative Particle swarm optimizers[C] Proc. of the third Genetic and Evolutionary Computation Conference, San Francisco, USA, 2001 [26] Frans van den Bergh and Engelbrecht A. P. Effects of Swarm Size on Cooperative Particle swarm optimizers[C] Proc. of the third Genetic and Evolutionary Computation Conference, San Francisco, USA, 2001 [27] Gabriela Ciuprina, Daniel Ioan, and Irina Munteanu, Use of Intelligent-Particle Swarm Optimization in Electromagnetics[J] IEEE Transactions on Magnetics, 2002, 38(2): 1037-1030 [28] Xiaodong Li A Non-dominated Sorting Particle Swarm Optimizer for Multiobjective Optimization[J] GECCO 2003, LNCS 2723: 37-48 * 微粒群优化算法 * 谢谢 ! * * * 微粒群优化算法 * 1. 初始化，随机产生初始粒子群和初始速度。 相应的适应值（也为初始个体历史最佳适应值）为： 随机产生的初始位置为： 全局最佳： * 微粒群优化算法 * 随机产生的初始速度为： 2. 根据公式修正各粒子的速度和位置 v(k+1)=w*v(k)+c1*R1.*(pi(k)-p(k))+c2*R2.*(pg(k)-p(k)) p(k+1)=p(k)+v(k+1) * 微粒群优化算法 * 假如修正后计算得到各粒子的新位置为： 计算相应的适应值，并调整各个体最优适应值和位置 全局最佳变为： * 微粒群优化算法 * 各个体历史最优适应值： 相应的各个体历史最优位置： 再根据公式进行下一步的修正各粒子的速度和位置 v(k+1)=w*v(k)+c1*R1.*(pi(k)-p(k))+c2*R2.*(pg(k)-p(k)) p(k+1)=p(k)+v(k+1) * 微粒群优化算法 * 二、微粒群优化算法的应用实例 在函数优化中的应用 在炼油装置产品质量软测量中的应用 在过程控制中的应用 * 微粒群优化算法 * 1.在函数优化中的应用(1) 通常，将所要优化的参数集中在一起，构成一个微粒，即要优化的各参数是微粒的一维。 将目标函数作为评判微粒优劣的标准，即将某微粒的各参数代入目标函数求与其对应的适应值，根据适应值的大小评判微粒的优劣。 有哪些信誉好的足球投注网站完毕后，微粒的历史全局最优位置便是所要求的优化参数，对应的历史全局最优适应值便是所要求的优化函数的最优值。