粒子群优化算法(PSO)

1. 概念

    粒子群优化算法(PSO:Particle swarm optimization) 是一种进化计算技术(evolutionary computation)。

    源于对鸟群捕食的行为研究。粒子群优化算法的基本思想:是通过群体中个体之间的协作信息共享来寻找最优解

    PSO的优势:在于简单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。 

2. 算法

2.1 问题抽象

      鸟被抽象为没有质量和体积的微粒(点),并延伸到N维空间,粒子i在N维空间的位置表示为矢量Xi=(x1,x2,…,xN),飞行速度表示为矢量Vi=(v1,v2,…,vN)。每个粒子都有一个由目标函数决定的适应值(fitness value),并且知道自己到目前为止发现的最好位置(pbest)和现在的位置Xi。这个可以看作是粒子自己的飞行经验。除此之外,每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest)(gbest是pbest中的最好值),这个可以看作是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。 

2.2 更新规则

      PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中,粒子通过跟踪两个“极值”(pbest,gbest)来更新自己。在找到这两个最优值后,粒子通过下面的公式来更新自己的速度和位置。

     

      公式(1)的第一部分称为【记忆项】,表示上次速度大小和方向的影响;公式(1)的第二部分称为【自身认知项】,是从当前点指向粒子自身最好点的一个矢量,表示粒子的动作来源于自己经验的部分;公式(1)的第三部分称为【群体认知项】,是一个从当前点指向种群最好点的矢量,反映了粒子间的协同合作和知识共享。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。

     以上面两个公式为基础,形成了PSO的标准形式

     

     公式(2)和 公式(3)被视为标准PSO算法

2.3 标准PSO算法流程

     

     标准PSO算法的流程:
        1)初始化一群微粒(群体规模为N),包括随机位置和速度;
        2)评价每个微粒的适应度;
        3)对每个微粒,将其适应值与其经过的最好位置pbest作比较,如果较好,则将其作为当前的最好位置pbest;
        4)对每个微粒,将其适应值与其经过的最好位置gbest作比较,如果较好,则将其作为当前的最好位置gbest;
        5)根据公式(2)、(3)调整微粒速度和位置;
        6)未达到结束条件则转第2)步。

     迭代终止条件根据具体问题一般选为最大迭代次数Gk或(和)微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。

     公式(2)和(3)中pbest和gbest分别表示微粒群的局部和全局最优位置。

     当C1=0时,则粒子没有了认知能力,变为只有社会的模型(social-only):

     

     被称为全局PSO算法。粒子有扩展搜索空间的能力,具有较快的收敛速度,但由于缺少局部搜索,对于复杂问题
比标准PSO 更易陷入局部最优。

     当C2=0时,则粒子之间没有社会信息,模型变为只有认知(cognition-only)模型:

     

     被称为局部PSO算法。由于个体之间没有信息的交流,整个群体相当于多个粒子进行盲目的随机搜索,收敛速度慢,因而得到最优解的可能性小。

2.4 参数分析

      参数:群体规模N,惯性因子 ,学习因子c1和c2,最大速度Vmax,最大迭代次数Gk。

      群体规模N:一般取20~40,对较难或特定类别的问题可以取到100~200。

      最大速度Vmax:决定当前位置与最好位置之间的区域的分辨率(或精度)。如果太快,则粒子有可能越过极小点;如果太慢,则粒子不能在局部极小点之外进行足够的探索,会陷入到局部极值区域内。这种限制可以达到防止计算溢出、决定问题空间搜索的粒度的目的。

      权重因子:包括惯性因子和学习因子c1和c2。使粒子保持着运动惯性,使其具有扩展搜索空间的趋势,有能力探索新的区域。c1和c2代表将每个粒子推向pbest和gbest位置的统计加速项的权值。较低的值允许粒子在被拉回之前可以在目标区域外徘徊,较高的值导致粒子突然地冲向或越过目标区域。

     参数设置

        1) 如果令c1=c2=0,粒子将一直以当前速度的飞行,直到边界。很难找到最优解。
        2) 如果=0,则速度只取决于当前位置和历史最好位置,速度本身没有记忆性。假设一个粒子处在全局最好位置,它将保持静止,其他粒子则飞向它的最好位置和全局最好位置的加权中心。粒子将收缩到当前全局最好位置。在加上第一部分后,粒子有扩展搜索空间的趋势,这也使得的作用表现为针对不同的搜索问题,调整算法的全局和局部搜索能力的平衡。较大时,具有较强的全局搜索能力;较小时,具有较强的局部搜索能力。

       3) 通常设c1=c2=2。Suganthan的实验表明:c1和c2为常数时可以得到较好的解,但不一定必须等于2。Clerc引入收敛因子(constriction factor) K来保证收敛性。

       
       
        通常取为4.1,则K=0.729.实验表明,与使用惯性权重的PSO算法相比,使用收敛因子的PSO有更快的收敛速度。其实只要恰当的选取和c1、c2,两种算法是一样的。因此使用收敛因子的PSO可以看作使用惯性权重PSO的特
例。

         恰当的选取算法的参数值可以改善算法的性能

3. PSO与其它算法的比较

3.1 遗传算法和PSO的比较

    1)共性:
         (1) 都属于仿生算法。
         (2) 都属于全局优化方法。
         (3) 都属于随机搜索算法。
         (4) 都隐含并行性。
         (5) 根据个体的适配信息进行搜索,因此不受函数约束条件的限制,如连续性、可导性等。
         (6) 对高维复杂问题,往往会遇到早熟收敛和收敛 性能差的缺点,都无法保证收敛到最优点。  

    2)差异:     
         (1) PSO有记忆,好的解的知识所有粒子都保 存,而GA(Genetic Algorithm),以前的知识随着种群的改变被改变。
         (2) PSO中的粒子仅仅通过当前搜索到最优点进行共享信息,所以很大程度上这是一种单共享项信息机制。而GA中,染色体之间相互共享信息,使得整个种群都向最优区域移动。
         (3) GA的编码技术和遗传操作比较简单,而PSO相对于GA,没有交叉和变异操作,粒子只是通过内部速度进行更新,因此原理更简单、参数更少、实现更容易。

         (4) 应用于人工神经网络(ANN)

         GA可以用来研究NN的三个方面:网络连接权重、网络结构、学习算法。优势在于可处理传统方法不能处理的问题,例如不可导的节点传递函数或没有梯度信息。
         GA缺点:在某些问题上性能不是特别好;网络权重的编码和遗传算子的选择有时较麻烦。
         已有利用PSO来进行神经网络训练。研究表明PSO是一种很有潜力的神经网络算法。速度较快且有较好的结果。且没有遗传算法碰到的问题。
    

         

       

      

      


 

   


  • 73
    点赞
  • 438
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
以下是一个简单的粒子群优化算法PSO)的代码示例: ``` import random class Particle: def __init__(self, x0): self.position = [] self.velocity = [] self.best_position = [] self.fitness = -1 for i in range(0, num_dimensions): self.velocity.append(random.uniform(-1, 1)) self.position.append(x0[i]) def evaluate(self, cost_function): self.fitness = cost_function(self.position) if self.fitness < self.best_fitness: self.best_fitness = self.fitness self.best_position = self.position def update_velocity(self, best_global_position): w = 0.5 c1 = 1 c2 = 2 for i in range(0, num_dimensions): r1 = random.random() r2 = random.random() cognitive_velocity = c1 * r1 * (self.best_position[i] - self.position[i]) social_velocity = c2 * r2 * (best_global_position[i] - self.position[i]) self.velocity[i] = w * self.velocity[i] + cognitive_velocity + social_velocity def update_position(self, bounds): for i in range(0, num_dimensions): self.position[i] = self.position[i] + self.velocity[i] if self.position[i] > bounds[i][1]: self.position[i] = bounds[i][1] if self.position[i] < bounds[i][0]: self.position[i] = bounds[i][0] class PSO: def __init__(self, cost_function, x0, bounds, num_particles, max_iterations): global num_dimensions num_dimensions = len(x0) best_global_position = [] best_global_fitness = -1 swarm = [] for i in range(0, num_particles): swarm.append(Particle(x0)) for i in range(0, max_iterations): for j in range(0, num_particles): swarm[j].evaluate(cost_function) if swarm[j].fitness < best_global_fitness: best_global_fitness = swarm[j].fitness best_global_position = list(swarm[j].position) for j in range(0, num_particles): swarm[j].update_velocity(best_global_position) swarm[j].update_position(bounds) print('Best position:', best_global_position) print('Best fitness:', best_global_fitness) def cost_function(x): return sum([i**2 for i in x]) bounds = [(-10, 10), (-10, 10), (-10, 10)] PSO(cost_function, x0=[0, 0, 0], bounds=bounds, num_particles=15, max_iterations=30) ``` 这个代码演示了如何使用 PSO 来最小化一个简单的函数。需要注意的是,这个示例只展示了基本的 PSO 实现,实际上,PSO 还有很多改进和扩展,例如变异粒子群优化算法(MPSO)、共生进化粒子群优化算法(CEPSO)等等。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值