jinpeng_cumt的博客

一、问题描述 无约束的多维极值问题一般描述如下公式： 其中x为向量，而f（x）为标量函数，多维极值的问题就是要求得全局最小值。但是大多数的算法都存在着搜索范围问题，无法求得全局最小值，只能计算出一些局部最优值。对于实际问题来说，这是不矛盾的，因为实际问题都存在一定的应用背景和使用条件，局部最优点并不多，甚至有时局部最优点就是全局最优点，所以实际问题可以根据实

传统的多目标优化方法往往将其转化为各目标之加权和，然后采用单目标的优化技术。但是，这样做存在几大缺点：①不同性质的目标之间单位不一致，不易作比较；②各目标加权值的分配带有较大的主观性；③优化目标仅为各目标的加权和，优化过程中各目标的优度进展不可操作；④各目标之间通过决策变量相互制约，往往存在相互矛盾的目标，致使加权目标函数的拓扑结构十分复杂。

作者：莫石链接：http://www.zhihu.com/question/30326374/answer/59884351来源：知乎著作权归作者所有，转载请联系作者获得授权。群体智能算法家族的两个重要成员就是粒子群算法与蚁群算法。基本思想都是模拟自然界生物群体行为来构造随机优化算法的，不同的是粒子群算法模拟鸟类群体行为，而蚁群算法模拟蚂蚁觅食原理。1.相同点（1）都是

一、遗传算法1.概念       遗传算法(GA)自 1975 年 Holland 提出之后，作为一种经典的进化算法，已经在国际上形成了一个活跃的研究领域。经典遗传算法首先对待求解问题的参数进行编码，编码的每一位称之为“基因”，由基因组成的若干矢量称之为“染色体”。这样将所求问题的每一组参数解编码为一个染色体，若干染色体按照自然界优胜劣汰的进化规律，以适应度函数为评价解好坏的标准，逐代演化

粒子群算法的简介，学习算法是一条很长的路！！！

一、理论研究改进 (1) Clerc&Kennedy2002年设计了一个称为压缩因子的参数。在使用了此参数之后，PSO能够更快地收敛。（2）Trelea 2003年指出PSO最终最终稳定地收敛于空间中的某一个点，但不能保证是全局最优点。 (3) Kadirkamanathan等人2006年在动态环境中对PSO的行为进行研究，由静态分析深入到了动态分析。 (4) F.van den

作者：莫石链接：http://www.zhihu.com/question/30326374/answer/59884351来源：知乎著作权归作者所有，转载请联系作者获得授权。群体智能算法家族的两个重要成员就是粒子群算法与蚁群算法。基本思想都是模拟自然界生物群体行为来构造随机优化算法的，不同的是粒子群算法模拟鸟类群体行为，而蚁群算法模拟蚂蚁觅食原理。1.相同点（1）都是

一、理论基础平均最优位置：                             其中,P代表第i个粒子的最优位置，即局部最优位置，mbest为平均最优位置。对于多维粒子而言，每一维上的最优位置等于全部粒子在该维度上的平均值。                 其中小写的p代表每个粒子的局部吸引子，它的值由局部最优位置和全局最优位置共同决定。