粒子群算法介绍及Matlab实现（函数寻优）

pilemoon

于 2024-04-21 22:40:35 发布

阅读量1.9k

点赞数 39

分类专栏：运筹学文章标签：算法 matlab

本文链接：https://blog.csdn.net/pilemoon/article/details/138044572

版权

运筹学专栏收录该内容

2 篇文章 0 订阅

订阅专栏

粒子群算法介绍

粒子群优化算法（Particle Swarm Optimization，PSO）又叫微粒群算法，于1995年由Kennedy等学者提出，是一种基于群体行为的随机优化算法。算法模仿了鸟群的觅食行为，将个体行为和群体趋向结合起来，寻找复杂优化问题的最优解。

鸟群行为

粒子群算法最初是为了描述鸟类群体的运动而提出的。鸟群的运动遵循这样的规则：

（1）避免冲突：群体移动，个体运动而不影响其他个体；

（2）速度匹配：个体的运动必须配合群体的运动，即速度需要跟上群体移动速度；

（3）群体中心：个体向群体中心移动，配合群体中心向目标前进。

群体智能

事实上，在更广泛的意义上，粒子群不仅可以代表鸟群，也可以代表其他有群体智能的社会集群，比如蜂群，蚁群，能实现信息共享的无人机集群乃至人类社会——粒子群可以作为一种简化的社会模型。

自1991年蚁群优化算法的提出后，群体智能成为一个研究热点概念，世界上对群体智能的相关研究迅速展开。相关理论很多，在此仅介绍群体智能的如下特点，以供读者对群体智能产生直观印象，在群体智能的层面理解PSO算法：

群体智能的特点

（1）去中心化。群体智能没有中心控制，而是通过分布式的协同工作解决问题。即使去掉部分个体也不影响群体整体的运作。（沉舟侧畔千帆过）

（2）多样化。群体智能的效果与群体中个体的多样性密切相关。（正如一个社会中需要不同知识背景、技能、信念的人才，才能发挥社会作为一个整体的创造力）

（3）自组织。群体智能的运作基于自组织的原则，群体成员之间具有反馈机制且相互作用，根据环境和任务的要求自发调整自身的行为。这让群体更为灵活、适应性更强。（没有信息交互，则无所谓群体）

（4）协同效应。群体的能力大于个体的能力之和，共享信息提升了群体的能力。（众人拾柴火焰高）

粒子群算法原理

在粒子群算法中，我们的目的是解决某优化问题，则将问题的一个解看做一个粒子，多个解看做一个粒子群。初始状态，随机生成一个粒子群（一系列解），粒子遍布在问题的解空间当中，即粒子具有初始位置。

继而赋予粒子速度（即在解空间中运动，或者说变动的能力），让粒子在解空间中“飞行”。我们建立适应度，这是一个评价粒子“好坏”（粒子对应的解是否更贴合优化的要求）的标准。适应度越高，粒子越“好”。

不断迭代，让粒子在以自己的速度飞行的同时，依据自己曾经到达的“历史最佳位置”和群体的“历史最佳位置”调整飞行轨迹，不断迭代直至问题趋于最优解。

具体而言粒子群算法的步骤如下（以函数寻优为例）：

问题： $f(x)$ 是一个n元函数，需要寻找其在 $R^{n}$ 上的最小值。

①此时迭代轮次k=0。随机生成m个 $R^{n}$ 中的点 ${x}_1^0,{x}_2^0,...,{x}_n^0$ （右上角的角标代表轮次，右下角角标代表粒子序数）作为一个粒子群，它们在 $R^{n}$ 中的坐标即为初始位置。以 $f(x)$ 本身为评价粒子“好坏”的指标， $f(x)$ 越小则粒子越“好”。

②随机生成n个 $R^{n}$ 中的点 ${v}_1^0,{v}_2^0,...,{v}_n^0$ 作为各粒子的初速度。

③首先计算 $f({x}_1^0),f({x}_2^0),...,f({x}_n^0)$ ,目前每个粒子对于自身而言，适应度是历史上最小的，历史上最优位置记为 $x_{1best}^{0},x_{2best}^{0},...x_{nbest}^{0}={x}_1^0,{x}_2^0,...,{x}_n^0$ 。右上角的角标代表迭代轮次。

$f({x}_1^0),f({x}_2^0),...,f({x}_n^0)$ 中最小值对应的粒子所在位置为群体第0轮的最优位置，记为 $x_{gbest}^0$ .

④对每个粒子依照如下的迭代公式进行迭代：

$v_i^{k+1}=\omega v_i^{k}+c_1r_1(x_{ibest}^k-x_i^k)+c_2r_2(x_{gbest}^k-x_i^k)$

$x_i^{k+1}=x_i^k+v_i^{k+1}$

$\omega$ :惯性因子，一个常数；

$c_1$ 、 $c_2$ ：学习因子,常数。

$r_1,r_2$ :[0,1]上的随机数，每轮中随机产生。

⑤更新个体最优位置： $x_{i}^{k+1}$ 若函数值比 $x_{ibest}^{k}$ 小，则替换为个体历史最优值： $x_{ibest}^{k+1}=x_{i}^{k+1}$ 否则不替换: $x_{ibest}^{k+1}=x_{ibest}^{k}$ .

更新群体最优位置： $x_{gbest}^{k+1}$ 为 $x_{1best}^{k+1},x_{2best}^{k+1},...,x_{nbest}^{k+1}$ 中函数值最小者。

⑥k=k+1，返回④。满足一定条件（达到最大迭代次数或者最优解函数值变化小于某数）终止。

④中第一个公式可以按不同组分理解其意义： $\omega v_i^{k}$ 为粒子保留了一部分其固有速度（所以 $\omega$ 叫做惯性因子）； $x_{ibest}^k-x_i^k$ 是一个向量（用位移差表征的速度），由粒子目前位置 $x_i^k$ 指向该粒子史上最优位置 $x_{ibest}^k$ ,代表粒子有趋向于自己曾达到的最优位置的趋向（往这个方向运动可能是更靠近最优解的），同时 $c_1,r_1$ 给 $x_{ibest}^k-x_i^k$ 赋了权重。 $x_{gbest}^k-x_i^k$ 为由粒子当前位置指向群体最优位置，代表粒子有趋向于群体最优位置的趋势。

第一组分代表了粒子自身的运动随机性，因为有随机性所以有可能探索到最优值；

第二组分代表粒子的记忆性，探索过的“好”的位置能作为信息被利用；

第三组分代表粒子与群体间的信息共享，群体探索出的“好”位置能作为信息被利用。

第二个公式即为粒子依照更新后的速度变动位置。

值得注意的是，粒子群算法中提到的“位置”“速度”都是数值向量，性质相同，从这里也可以看出粒子群算法是一种简单易行的算法。

参数意义及选取

若 $\omega ,c_1,c_2$ 选得较大，则粒子容易快速飞行越过目标解；过小则徘徊不前。

$\omega$ 大时粒子的惯性强，倾向于以初速度飞行；

$c_1$ 大时粒子具有较好的认知能力，能根据过往情况调整自己的状态。若 $c_1$ =0则粒子失去了认知能力，在群体中“随波逐流”。这种情况下收敛速度比标准版本快，但对于复杂问题容易陷入局部最优；

$c_2$ 大时粒子具有较好的信息共享度，能根据群体信息调整自己的状态。若 $c_2$ =0则粒子失去了群体联结，每个微粒在初速度指示的路径上独自运行，相当于效率极低的随机搜索，搜索到最优解的概率极小。

关于参数选择，不同问题应灵活选取不同大小的参数，并无定论。可以这样选择：

粒子数n：简单问题取20-40，复杂问题取100-200.

惯性因子 $\omega$ ：0.6-0.8，也可以设置其随迭代轮次而变化，初期大后期小。

学习因子 $c_1,c_2$ :可以取2。分析问题确定学习因子是很重要的。

还可以设置最大飞行速度来控制搜索范围。

优势

粒子群算法的优势有：

①通用性强。

②原理简单，易编程。

③协同搜索，利用了群体信息的交互。

④全局收敛（有数学证明）。

代码

function [xmin,fmin]=PSO(dim,adp,n,omega,c1,c2,maxiter)
 %PSO
%种群数量n
%惯性因子omega
%学习因子c1
%学习因子c2
%dim为优化函数维数
%1.初始化
p=10*(rand(dim,n)-0.5);%初始种群，每列为一个个体
v=6*(rand(dim,n)-0.5);%初始速度
%2.更新
iter=0;
pibest=p;%个体历史最佳，初态为初始种群
adpv=zeros(1,n);
adpv=adp(p);%初始种群适应度
[~,minindex]=min(adpv);%寻找适应度最优个体
pgbest=p(:,minindex);%群体历史最佳
while(iter<maxiter)
   v=omega*v+c1*rand(dim,n).*(pibest-p)+c2*rand(dim,n).*(pgbest-p);%速度迭代
   p=p+v;%位置迭代
   for i=1:n
    if(adp(p(:,i))<adp(pibest(:,i)))
        pibest(:,i)=p(:,i);%若个体位置更优则更新
    end
   end
    [~,minindex]=min(adp(pibest));
    pgbest=p(:,minindex);%每轮最优个体中最优为历史最优
    iter=iter+1;
end
xmin=pgbest;%最优解
fmin=adp(pgbest);%最优值
end

以上为用Matlab编写的粒子群算法的函数。这个函数是用于求解n元函数优化问题的，默认最小值。

传递的参数包括：问题维数dim，也就是优化函数的维数；优化函数adp,调用函数时要在adp前加@；粒子群规模n;惯性因子omega;学习因子c1,c2;最大迭代轮数maxiter。

输出：最优解xmin,最优值fmin。