一、概述
粒子群优化算法是什么?
它由谁提出的?
PSO模拟了自然界鸟群觅食的过程。通过群体的协作寻找到问题的全局最优解。
它是1995年由美国学者Eberhart和Kennedy提出的,现在已经广泛应用于各种工程领域的优化问题之中。
鸟群觅食现象
一群鸟在一片区域内搜寻食物,所有的鸟一开始都不知道食物具体在哪里。
假设它们能感知:
- 当前位置和以往飞行的位置哪个离食物更近,
- 以及通过群体协作知道哪只鸟的位置离食物最近
每只鸟根据自己的飞行经验和群体中距离食物最近的鸟的指引,不断的调整飞行方向。
所有的鸟向离食物最近的鸟靠拢,去搜寻该鸟周围的区域,直到最终找到食物。
二、粒子群算法的基本原理
-
个体最优位置:
计算粒子当前位置的适应度函数
与它飞过的最优位置的适应度函数进行比较,得出个体最优位置
代表了粒子本身的飞行经验(个体认知)。 -
局部最优位置:
计算所有粒子的适应度函数,比较得到一个最优适应度值
其对应粒子的位置就是局部最优位置
它代表群体协作(社会指引) -
每只鸟(粒子)都根据自己的飞行经验和群体协作,不断调整自己的飞行方向向距离食物最近的鸟靠拢,搜寻该鸟周围的区域,直到找到食物的位置。
上述过程,在算法中是通过更新粒子的速度和位置来模拟。粒子具有位置和速度的属性。
三、如何进行粒子的个体速度与位置的更新?
- 粒子的个体速度与位置更新公式
四、算法流程
五、PSO的改进措施
补充: