粒子群优化算法_人工智能粒子群优化三大算法

粒子群优化是以邻域原理(neighborhood principle)为基础进行操作的，该原理来源于社会网络结构研究中。驱动粒子群优化的特性是社会交互作用。群中的个体(粒子)相互学习，而且基于获得的知识移动到更相似于它们的、较好的邻近区域。邻域内的个体进行相互通信。

群是由粒子的集合组成的，而每个粒子代表一个潜在的解答。粒子在超空间流动，每个粒子的位置按照其经验和邻近粒子的位置而发生变化。速度矢量推动优化过程，并反映出社会所交换的信息。下面简单介绍一下三种不同的粒子群优化算法，它们对社会信息交换扩展程度是不同的。

粒子群优化算法

1．个体最佳算法

对于个体最佳(individual best)算法，每一个体只把它的当前位置与自己的最佳位置pbest相比较，而不使用其他粒子的信息。具体算法如下：

(1)对粒子群P(t)初始化，使得t＝0时每个粒子P∈P(t)在超空间中的位置X(t)是随机的。

(2)通过每个粒子的当前位置评价其性能f。

(3)比较每个个体的当前性能与其至今有过的最佳性能。

(4)改变每个粒子的速度矢量。

(5)转回第(2)步，重复递归直至收敛。

上述算法中粒子离开其先前发现的最佳解答越远，使该粒子(个体)移回它的最佳解答所需要的速度就越大。随机值P的上限为用户规定的系统参数。p的上限越大࿰