粒子群优化算法(PSO)

目录

问题场景

1 算法原理

1.1 初始化

1.2 更新速度

1.3 更新位置

 3 参数说明

3.1 粒子数 NP

3.2 粒子的长度（维数）

3.3 粒子的范围

3.4 最大速度 Vmax

3.5 学习因子 c1 和 c2

4 算法的不足和改进

---

问题场景

一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢？最简单有效的就是搜寻离食物最近的鸟的周围区域。

基于上述模型的启发，通过模拟鸟群的觅食行为， Eberhart 博士和 kennedy 博士最早提出了粒子群优化（PSO）算法，又可称为粒子群算法、微粒群算法或 微粒群优化算法。该算法一种基于群体协作的随机搜索算法，属于群集智能 (Swarm intelligence, SI)方法。

1 算法原理

在 PSO 算法中，优化问题的解代表搜索空间中的鸟（称为“粒子）”，所有 的粒子都有一个由被优化的函数决定的适应值(fitness value)，以及每个粒子 有一个速度来决定它们飞翔的方向和距离。在具体搜索过程中，每一粒子通过跟 踪两个“极值”来更新自己。其中，第一个粒子是自身所找到的最优解，称为个 体极值 pbest；另一个是整个种群所找到的最优解，称为全局极值 gbest。

特别地，针对上节中的优化问题，PSO 算法的具体操作如下。

1.1 初始化

在问题的决策空间中随机生成 NP 个粒子，具体方式与 DE 算法相同

差分进化算法链接地址：http://t.csdn.cn/WDdQo

1.2 更新速度

对每一个粒子 x i ，找出其相应的 pbest 和 gbest，根据下式来更 新自己的速度 v i。

 

其中，w 为惯性权重， c 1 和 c 2 分别为认知加速常数或学习因子（cognitive acceleration coefficient）和社会加速常数或学习因子（social acceleration coefficient）， r 1 和 r 2 为区间[0,1]内的两个随机值。

1.3 更新位置

根据上述更新后的速度更新自身的位置。具体过程如下：

 

注 2： 粒子的在每一维上的速度都应被限制在一个预先给定的范围内。当某一维的速 度超过Vmax 时，则将该维的速度限定为 Vmax。

2 算法流程

根据上述操作，PSO 算法的具体实现流程如下。

步 1：确定算法中的相关参数（包括粒子个数 NP、惯性权重 w、学习因子 c 1 和 c 2 ），确定适应度函数。

步 2：随机产生初始粒子群。

步 3：对初始粒子进行评价，即计算初始每个粒子的适应度值。

步 4：判断是否达到终止条件。若是，则终止搜索，将得到历史最佳粒子作 为最优解输出；若否，继续。

步 5：更新粒子速度和位置。

步 6：迭代次数 g=g+1，转步(4)

 3 参数说明

3.1 粒子数 NP

一般取 20–40。实际上，对于大部分的问题，一般取 10 个粒子 就可以得到好的结果。然而，对一些比较难（复杂）的问题或一些特定类别的问 题而言, 粒子数可以取到 100 或 200。

3.2 粒子的长度（维数）

由优化问题决定, 即问题解的维数。

3.3 粒子的范围

由优化问题决定,每一维可设定不同的范围。

3.4 最大速度 Vmax

决定粒子在搜索过程中的最大移动距离,通常设为粒子的范 围宽度。

3.5 学习因子 c1 和 c2

通常等于 2. 一些文献中也有其他的取值，但一般取 c1 等于 c2 且在 0 到 4 之间取值。

4 算法的不足和改进

与 DE 算法相似，PSO 算法随着迭代的进行，粒子之间的多样性也会降低，导 致过早收敛到局部极小点，或者发生停滞现象。 目前，为进一步提高 PSO 算法的性能，一些动态的参数控制方法及拓扑结构 被研究和引入。

（注：本资料来自导师田梦男上课讲义，转载请注明出处）

[1] R. Eberhart, J. Kennedy, Particle swarm optimization, in: Proceedings of the IEEE international conference on neural networks, Vol. 4, IEEE, 1995, pp. 1942–1948.