Particle Swarm Optimization(PSO,粒子群优化算法)

最新推荐文章于 2024-06-10 00:59:28 发布

Joshua_lzy

最新推荐文章于 2024-06-10 00:59:28 发布

阅读量2.2k

点赞数

分类专栏：计算机问题文章标签：算法

本文链接：https://blog.csdn.net/qq_36163711/article/details/107403186

版权

由Kennedy和Eberhart于1995年提出了一种新的全局优化金花算法，也是一种非常有效而被广泛应用的敌人待优化算法，该算法模拟鸟群飞行觅食行为，通过鸟之间的集体协同使群体达到最优。

而PSO基本算法有以下优缺点：

优点：
- PSO算法没有交叉和编译运算，依靠粒子速度完成搜索，并且在迭代进化中只有最优的粒子把信息传递给其他粒子，搜索速度快。
- PSO算法具有记忆性，粒子群体的历史最好位置可以记忆并传递给其他粒子
- 需调整的参数较少，结构简单，易于工程实现
- 采用实数编码，直接由问题的解决定，问题解的变量数直接作为粒子的维数
缺点：
- 容易陷入局部最优，导致收敛精度低和不易收敛
- 不能有效解决离散及组合优化问题
- 不能有效求解一些非直角坐标系描述问题，如有关能量场或场内粒子运动规律的求解问题(这些求解空间的边界大部分是基于极坐标、球坐标或柱坐标)

Shi Y H.于1998年建立了PSO算法的惯性权重模型，惯性权重的引入，提高了算法的全局搜索能力。

Suganthan P N.提出了带邻域操作的PSO模型，客服了PSO模型在优化搜索后期随迭代次数增加搜索结果无明显改进的缺点。

Parsopoulos K E.提出将拉伸技术用于PSO最小化问题的求解，力图避免PSO算法易陷入局部最小值的问题。

高海兵等人针对PSO一直未能有效解决离散及组合优化问题，提出了一种广义粒子群优化模型（CPSO），该模型的鲁棒性和通用性还有待进一步的证明。

粒子群算法的思想源于鸟群捕食行为的研究，模拟鸟群飞行觅食的行为，鸟之间通过集体协作使群体达到最有目的，是一种基于Swarm Intelligence的优化方法。

场景：一群鸟在随机搜索食物

$已知=\left\{ \begin{aligned} &在这块区域里只有一块食物 \\ &所有鸟都不知道食物在哪 \\ &但它们能感受到当前的位置离食物还有多远 \end{aligned} \right.$

那么：找到食物的最优策略是什么？

方法：搜寻目前离食物最近的鸟的周围区域，根据自己飞行的经验判断食物的缩在

PSO正是从这种模型中得到启发，因此PSO的基础是：信息的社会共享

D维空间中，有N个粒子：

粒子i位置：x_i=(x_i1,x_i2,…,x_iD)，将x_i代入适应函数f(x_i)求适应值；

粒子速度：v₁=(v_i1,v_i2,…,v_iD)

粒子 i 个体经历过的最好位置：pbest_i=(p_i1，p_i2，…,p_iD)

粒子种群所经历过的最好位置：gbest=(g₁,g₂,…,g_D)

通常，在第d（1<= d <= D）维的位置变化范围限定在[X_MIN,d,X_MAX,d]内，速度变化范围限定在[-V_max,d,V_max,d]

即若在迭代过程中若v_id、x_id超出边界值，则该速度或者位置应该被限制为最大速度或者边界位置。

粒子 i 的第d维速度更新公式：

$v^k_{id}=wv^{k-1}_{id}+c_1r_1(pbest_{id}-x^{k-1}_{id})+c_2r_2(gbest_d-x^{k-1}_{id})$

关注