粒子群优化算法及其应用 | 您所在的位置:网站首页 › 群鸟什么 › 粒子群优化算法及其应用 |
产生背景
粒子群优化(Particle Swarm Optimization, PSO)算法是由美国普渡大学的Kennedy和Eberhart于1995年提出,它的基本概念源于对鸟群觅食行为的研究。 设想这样一个场景:一群鸟在随机搜寻食物,在这个区域里只有一块食物,所有的鸟都不知道食物在哪里,但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢? 最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 粒子群优化算法的基本原理 基本思想将每个个体看作n维搜索空间中一个没有体积质量的粒子,在搜索空间中以一定的速度飞行,该速度决定粒子飞行的方向和距离。所有粒子有一个由优化函数决定的适应值。 基本原理PSO初始化为一群随机粒子,然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解称为个体极值。另个一是整个种群目前找到的最优解,这个解称为全局极值。 算法定义在n 维连续搜索空间中,对粒子群中的第i (i=1, 2, , m)个粒子进行定义: (1)初始化每个粒子。在允许范围内随机设置每个粒子的初始位置和速度。 (2)评价每个粒子的适应度。计算每个粒子的目标函数。 (3)设置每个粒子的Pi。对每个粒子,将其适应度与其经 历过的最好位置Pi进行比较,如果优于Pi,则将其作为该粒子的最好位置Pi。 (4)设置全局最优值Pg。对每个粒子,将其适应度与群体经历过的最好位置Pg进行比较,如果优于Pg,则将其作为当前群体的最好位置Pg。 (5)更新粒子的速度和位置。根据式(6.20)更新粒子的速度和位置。 (6)检查终止条件。如果未达到设定条件(预设误差或者迭代的次数),则返回第(2)步。 粒子群优化算法流程图
![]() (1)神经网络训练 (7)经济领域 (2)化工系统领域 (8)图像处理领域 (3)电力系统领域 (9)生物信息领域 (4)机械设计领域 (10)医学领域 (5)通讯领域 (11)运筹学领域 (6)机器人领域 …………. 粒子群优化算法求解车辆路径问题 车辆路径问题(VRP)的模型
![]() 粒子群优化算法的各个参数设置如下: 种群规模:50 迭代次数:1000 c1的初始值为1,随迭代的进行,线性减小到0 C2=c3=1.4 Vmax |
CopyRight 2018-2019 实验室设备网 版权所有 |