粒子群算法(PSO)的詳細介紹

《粒子群算法(PSO)的詳細介紹》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、西安電子科技大學自然計算論文報告題目：粒子群算法研究及其應用學院：電子工程學院專業(yè)：電子與通信工程學號：1302121508姓名：彭正林粒子群算法研究及其應用摘要粒子群算法是在仿真生物群體社會活動的基礎(chǔ)上，通過模擬群體生物相互協(xié)同尋優(yōu)能力，從而構(gòu)造出一種新的智能優(yōu)化算法。這篇文章簡要回顧了粒子群算法的發(fā)展歷史；著重介紹了粒子群算法的研究內(nèi)容，包括粒子群算法的基本形式、基本算法流程、標準PSO、算法里的各個參數(shù)以及幾種常見的改進粒子群算法，還將其與遺傳算法做了比較。最后通過基于PSO的PID參數(shù)整定，

2、介紹了粒子群算法的廣泛應用。關(guān)鍵字：粒子群算法，標準PSO，PID參數(shù)整定1.粒子群算法的發(fā)展歷史粒子群算法（ParticleSwarmOptimization）是一種新的智能優(yōu)化算法。談到它的發(fā)展歷史，就不得不先介紹下傳統(tǒng)的優(yōu)化算法，正因為傳統(tǒng)優(yōu)化算法自身的一些不足，才有新智能優(yōu)化算法的興起，而粒子群算法（PSO）就是在這種情況下發(fā)展起來的。最優(yōu)化是人們在科學研究、工程技術(shù)和經(jīng)濟管理等領(lǐng)域中經(jīng)常遇到的問題。優(yōu)化問題研究的主要內(nèi)容是在解決某個問題時，如何從眾多的解決方案中選出最優(yōu)方案。它可以定義為：

3、在一定的約束條件下，求得一組參數(shù)值，使得系統(tǒng)的某項性能指標達到最優(yōu)（最大或最?。?。傳統(tǒng)的優(yōu)化方法是借助于優(yōu)化問題的不同性質(zhì)，通常將問題分為線性規(guī)劃問題、非線性規(guī)劃問題、整數(shù)規(guī)劃問題和多目標規(guī)劃問題等。相應的有一些成熟的常規(guī)算法，如應用于線性規(guī)劃問題的單純形法，應用于非線性規(guī)劃的牛頓法、共扼梯度法，應用于整數(shù)規(guī)則的分枝界定法、動態(tài)規(guī)劃等。列舉的這些傳統(tǒng)的優(yōu)化算法能夠解決現(xiàn)實生活和工程上的很多問題，但工業(yè)和科學領(lǐng)域大量實際問題的困難程度正在日益增長，它們大多是根本無法在可接受的時間內(nèi)找到解的問題。這類優(yōu)

4、化問題的困難性不僅體現(xiàn)在具有極大的規(guī)模，更為重要的是，它們多數(shù)是非線性的、動態(tài)的、多峰的、具有欺騙性的或者不具有任何導數(shù)信息。因此，發(fā)展通用性更強、效率更高的優(yōu)化算法總是需要的。傳統(tǒng)優(yōu)化算法在碰到這些問題時常常會在計算速度、收斂性以及初值敏感方面表現(xiàn)不足。在過去的30年里，通過從不同角度對生物系統(tǒng)及其行為特征的模擬和建模，發(fā)展起來了一類新型的智能優(yōu)化算法。這些智能算法不要求目標函數(shù)必須連續(xù)或者可導，對解決實際大項目有很好效果，而且計算速度都很快。這些算法的代表有遺傳算法、人工免疫算法、蟻群算法，當然

5、還有這篇文章要介紹的粒子群算法。粒子群算法是R.Eberhart博士和J.Kennedy博士通過對鳥群捕食行為的研究在1995年所提出來的。在自然界中，鳥群運動的主體是離散的，其排列看起來是隨機的，但在整體的運動中它們卻保持著驚人的同步性，其整體運動形態(tài)非常流暢且極富美感。這些呈分布狀態(tài)的群體所表現(xiàn)出的似乎是有意識的集中控制，一直是許多研究者感興趣的問題。有研究者對鳥群的運動進行了計算機仿真，他們通過對個體設(shè)定簡單的運動規(guī)則，來模擬鳥群整體的復雜行為。1986年CraigReynolS提出了Boid

6、模型，用以模擬鳥類聚集飛行的行為，通過對現(xiàn)實世界中這些群體運動的觀察，在計算機中復制和重建這些運動軌跡，并對這些運動進行抽象建模，以發(fā)現(xiàn)新的運動模式。之后，生物學家FrankHeppner在此基礎(chǔ)上增加了棲息地對鳥吸引的仿真條件，提出了新的鳥群模型。這個新的鳥群模型的關(guān)鍵在于以個體之間的運算操作為基礎(chǔ)，這個操作也就是群體行為的同步必須在于個體努力維持自身與鄰居之間的距離為最優(yōu)，為此每個個體必須知道自身位置和鄰居的位置信息。這些都表明群體中個體之間信息的社會共享有助于群體的進化。在1995年，受到Fr

7、ankHeppner鳥群模型的影響，社會心理學博士JamesKennedy和電子工程學博士RussellEherhart提出了粒子群算法。粒子群算法其實也是一種演化計算技術(shù)，該算法將鳥群運動模型中的棲息地類比于所求問題空間中可能解的位置，通過個體間的信息傳遞，導引整個群體向可能解的方向移動，在求解過程中逐步增加發(fā)現(xiàn)較好解的可能性。群體中的鳥被抽象為沒有質(zhì)量和體積的“粒子”，通過這些“粒子”間的相互協(xié)作和信息共享，使其運動速度受到自身和群體的歷史運動狀態(tài)信息的影響。以自身和群體的歷史最優(yōu)位置對粒子當前

8、的運動方向和運動速度加以影響，較好地協(xié)調(diào)粒子本身和群體之間的關(guān)系，以利于群體在復雜的解空間中進行尋優(yōu)操作。2.粒子群算法的研究內(nèi)容PSO算法按其研究方向分為四部分:算法的機制分析研究、算法性能改進研究、算法的應用研究及離散性PSO算法研究。算法的機制分析主要是研究PSO算法的收斂性、復雜性及參數(shù)設(shè)置。算法性能改進研究主要是對原始PSO算法的缺陷和不足進行改進，以提高原始PSO算法或標準PSO算法的一些方面的性能。目前技術(shù)與方法的改進主要是增加算法的多樣性、加強局部搜索