每日論文

第十九篇

2020/07/27

摘要：粒子群優化 (PSO)算法是一種新興的優化技術 ,其思想來源于人工生命和演化計算理論。PSO通過粒子追隨自己找到的最好解和整個群的最好解來完成優化。該算法簡單易實現 ,可調參數少 ,已得到廣泛研究和應用。詳細介紹了PSO的基本原理、各種改進技術及其應用等 ,并對其未來的研究提出了一些建議 。

內容提要

★PSO 求解優化問題時 , 問題的解對應于搜索空間中一只 鳥的位置 , 稱這些鳥為“ 粒子”(particle)或“主體” (agent)。每個粒子都有自己的位置和速度 (決定飛行的方向和距離), 還有一個由被優化函數決定的適應值。各個粒子記憶 、 追隨當前的最優粒子 , 在解空間中搜索 。每次迭代的過程不是完全隨機的, 如果找到較好解, 將會以此為依據來尋找下一個解。

★基本PSO 的流程可以描述為:Step 1： 初始化。初始搜索點的位置 X_0i 及其速度 V_0i 通常是在允許的范圍內隨機產生的, 每個粒子的 pbest 坐標設置為其當前位置 , 且計算出其相應的個體極值 (即個體極值點的適應度值), 而全局極值 (即全局極值點的適應度值)就是個體極值中最好的 , 記錄該最好值的粒子序號, 并將 gbest設置為該最好粒子的當前位置 。

Step 2 評價每一個粒子。計算粒子的適應度值, 如果好于該粒子當前的個體極值, 則將 pbest設置為該粒子的位置 , 且更新個體極值 。如果所有粒子的個體極值中最好的好于當前的全局極值, 則將gbest 設置為該粒子的位置 , 記錄該粒子的序號, 且更新全局極值。

Step 3 粒子的更新。用式 (1)和式 (2)對每一個粒子的速度和位置進行更新 。

Step 4 檢驗是否符合結束條件。如果當前的迭代次數達到了預先設定的最大次數 (或達到最小錯誤要求), 則停止迭代, 輸出最優解 , 否則轉到Step 2 。

格式引文：楊維,李歧強.粒子群優化算法綜述[J].中國工程科學,2004(05):87-94.

關鍵詞：群體智能;?演化算法;?粒子群優化;

掃碼關注

編輯：學術菜鳥

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的粒子群优化算法_每日论文19：粒子群优化算法综述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。