粒子群优化算法源于对一个简化鸟群的模拟。算法中的每个粒子可视为N维搜索空间中的一个搜索个体,粒子有两个属性:速度和位置。粒子的当前位置即为对应优化问题的一个候选解,粒子的飞行过程即为该个体的搜索过程。粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。飞行速度和位置的更新公式如下。
其中w为惯性系数,C1为个体经验系数,C2为社会经验系数。为每个粒子单独搜寻的最优解,即个体极值,
为粒子群中最优的个体极值,即当前的全局最优解。算法通过不断迭代,更新速度和位置。最终得到满足终止条件的最优解。
我在实践过程中发现,粒子群很容易陷入局部最优。想要达到最优解,需要多次运行程序进行尝试,实际应用中可能非常麻烦。于是我联想遗传算法,为粒子群算法加入了变异,以跳出局部最优。伪代码代码如下。
b ← 取一个0到1之间的随机数
if b>0.98 //有0.02的几率发生变异
int x ← 0~(维度-1) 之间的随机数
for j ← 0 to n do //对所有个体
p[j].pos[x] ←随机数 //将所有粒子x维的坐标打乱
end
加入变异机制后,提高了算法的稳定性,对很多连续函数均可以通过一次搜索找到最优解,但问题在于对粒子群的参数和变异率要求过高,否则收敛很慢,如何调整到最佳值得继续研究。 下面的代码中没有加入变异机制。
#include<iostream>
#include<vector>
#include<time.h>
using namespace std;
const int SIZE = 10; //种群规模
const int DIMENSION = 2; //目标函数维数
const double W = 0.4; //惯性系数
const double C1 = 2; //个体认知常数
const double C2 = 2;