第5章飞鸟与粒子.pptx

第5章飞鸟与粒子主讲：赵春晓

5.1粒子群算法概述5.2粒子群算法的基本实现技术5.3车辆加速度参数优化问题5.4公共建筑物人员疏散问题第5章飞鸟与粒子

5.1粒子群算法概述5.1.1引言 5.1.2粒子群算法的基本流程 5.1.3粒子群算法应用

在PSO中，每个优化问题的解都是有哪些信誉好的足球投注网站空间中的一只鸟，称之为“粒子”。所有的粒子都具有一个位置向量（粒子在解空间的位置）和速度向量（决定下次飞行的方向和速度），并可以根据目标函数来计算当前的所在位置的适应值（fitnessvalue）。5.1.1引言

PSO也是起源对简单社会系统的模拟，最初设想是模拟鸟群觅食的过程，但后来发现PSO是一种很好的基于迭代的优化工具。系统初始化为一组随机解，通过迭代搜寻最优值。但是并没有遗传算法用的交叉（crossover）以及变异（mutation）。而是粒子在解空间追随最优的粒子进行有哪些信誉好的足球投注网站。5.1.1引言

在PSO中，每一个优化问题的潜在解都能够想象成d维有哪些信誉好的足球投注网站空间上的一个点，我们称之为“粒子”（Particle），全部的粒子都有一个被目标函数决定的适应值（Fitness?Value），每一个粒子速度决定他们飞行的方向和距离，然后粒子们就追随当前的最优粒子在解空间中有哪些信誉好的足球投注网站。Reynolds对鸟群飞行的研究发现。鸟仅仅是追踪它有限数量的邻居但最终总体结果是整个鸟群好像在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。5.1.1引言

例如，寻找函数F(x,y)=x2+y2,x和y的取值范围在[-6,6]平面区域A内。为了得到该函数的最大值，我们在A区域内随机的分布一些点，并且计算这些点的函数值，同时给这些点设置一个速度。下面这些点就会按照一定的公式更改自己的位置，到达新位置后，再计算这些点的值，然后再按照一定的公式更新自己的位置。直到最后在x=y=0这个点停止自己的更新。最后所有的点都集中在最大值的地方。5.1.2粒子群算法的基本流程

粒子群算法的伪代码如下ForeachparticleInitializeparticleENDDoForeachparticleCalculatefitnessvalueIfthefitnessvalue＞thebestfitnessvalue(pBest)inhistorysetcurrentvalueasthenewpBestEndSetgBestthebestfitnessvalueofalltheparticlesForeachparticleCalculateparticlevelocityUpdateparticlepositionEndWhilemaximumiterationsorminimumerrorcriteriaisnotattained5.1.2粒子群算法的基本流程

标准PSO的算法流程如下：1.初始化首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个有哪些信誉好的足球投注网站空间，我们在速度区间和有哪些信誉好的足球投注网站空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个速度。2.个体极值与全局最优解定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，称为本次全局最优解。与历史全局最优比较，进行更新。更新速度和位置的公式...3.终止条件（1）达到设定迭代次数；（2）代数之间的差值满足最小界限5.1.2粒子群算法的基本流程

PSO的优势在于容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。随着PSO的不断发展，研究者己尝试着将其用于各种工程优化问题。例如将粒子群优化算法应用于分时供电优化调度系统，获得最优分时供电方案以指导生产；应用粒子群算法解决互联网络服务质量路由问题。PSO算法还在多峰值函数优化、多目标优化和约束优化等方面取得了很好的效果，利用PSO实现了对各种连续和离散控制变量的优化。PSO在人工神经网络优化方面取得了良好的效果，利用PSO实现了对人工神经网络权值和网络模型结构的优化。5.1.3粒子群算法应用

5.1粒子群算法概述5.2粒子群算法的基本实现技术5.3车辆加速度参数优化问题5.4公共建筑物人员疏散问题第5章飞鸟与粒子

5.2粒子