粒子群算法的寻优算法

最新推荐文章于 2023-05-03 22:41:07 发布

原创

最新推荐文章于 2023-05-03 22:41:07 发布 · 2.4k 阅读

11 ·

CC 4.0 BY-SA版权

粒子群算法（PSO）是一种模拟生物群体行为的优化算法，与蚁群算法等并列。它通过种群历史解来决定新解的搜索方向，包含初始化、适应度计算、最优解寻找、速度和位置更新等步骤。PSO的优点是简单、快速收敛和参数少，缺点在于某些问题上表现不佳且易陷入局部最优。与遗传算法相比，PSO信息共享单向，更侧重跟随当前最优解。实验表明，w、c1、c2、sizepop和dip的调整会影响算法性能和收敛速度。

一定义
粒子群算法（也称PSO算法），也是一种进化算法，模拟生物群体的觅食行为，是一种群体智能算法，常见的群体只能算法有：蚁群算法，粒子群优化算法，菌群优化算法，蛙跳算法，人工蜂群算法等。PSO是通过当前已知种群寻找到的所有解来决定新的解的寻找方向，也就是新解的生成方式依赖于这些种群历史上寻找的所有解。

二算法步骤
（1）初始化粒子群个体；
（2）计算每个个体的适应度值（函数值）作为评判好坏的标准；
（3）找到每个个体自己在所有迭代过程中的最优解Pbest；
（4）找到所有个体在所有迭代过程中的最优解Zbest；
（5）根据速度公式更新速度；
（6）根据位置公式更新位置；
（7）重复步骤二直至迭代次数结束

流程图：

在这里插入图片描述

三
归结公式：
在这里插入图片描述：
参数：
c1 c2：加速因子
w：惯性权重
sizepop：群体规模
dim：适应度函数维度
maxgen：进化次数

四优缺点
优点：
（1）简单易行。
（2）收敛速度快。
（3）设置参数少。
缺点：
（1）在某些问题上性能并不是特别好。
（2）网络权重的编码而且遗传算子的选择有时比较麻烦。

五与遗传算法的比较
共同点：
两者都随机初始化种群，而且都使用适应值来评价系统，而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解。但是，PSO没有遗传操作如交叉(crossover)和变异(mutation)，而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是有记忆。
不同点：
与遗传算法比