粒子群优化PSO算法
摘要粒子群优化PSO算法是一种新兴的优化技术其思想来源于人工生命和
演化计算理论。PSO通过粒子追随自己找到的最优解和整个群的最优解来完成优
化。该算法简单易实现可调参数少已得到广泛研究和应用。详细介绍了PSO
的基本原理、其特点、各种改进方式及其应用等并对其未来的研究进行展望。
关键词群体智能优化算法粒子群优化
1、前言
通常是以他们自己及他人的经验来作
从20世纪90年代初就产生了模
为决策的依据这就构成了PSO的一个
拟自然生物群体swarm行为的优化
基本概念。PSO求解优化问题时问题
技术。Dorigo等从生物进化的机理中的解对应于搜索空间中一只鸟的位置
受到启发通过模拟蚂蚁的寻径行为称这些鸟为“粒子”particle或“主
提出了蚁群优化方法Eberhart和
体”age
t。每个粒子都有自己的位
Ke
edy于1995年提出的粒子群优化
置和速度决定飞行的方向和距离
算法是基于对鸟群、鱼群的模拟。这还有一个由被优化函数决定的适应值。
些研究可以称为群体智能swarm
各个粒子记忆、追随当前的最优粒子
i
tellige
ce。通常单个自然生物并在解空间中搜索。每次迭代的过程不
不是智能的但是整个生物群体却表
是完全随机的如果找到较好解将会
现出处理复杂问题的能力群体智能
以此为依据来寻找下一个解。令PSO初
就是这些团体行为在人工智能问题中始化为一群随机粒子随机解在每
的应用。粒子群优化PSO最初是处理一次迭代中粒子通过跟踪两个“极值”
连续优化问题的目前其应用已扩展
来更新自己第一个就是粒子本身所
到组合优化问题。由于其简单、有效找到的最好解叫做个体极值点用
的特点PSO已经得到了众多学者的重视和研究。粒子群算法在求解优化函
pbest表示其位置全局版PSO中的另一个极值点是整个种群目前找到的最
数时，表现出较好的寻优能力。特别好解称为全局极值点用gbest表示
是针对复杂的工程问题，通过迭代寻其位置而局部版PSO不用整个种群
优计算，能够迅速找到近似解，因而而是用其中一部分作为粒子的邻居
粒子群算法在工程计算中被广泛应用。所有邻居中的最好解就是局部极值点
2、PSO基本原理粒子群优化算法是基于群体的演
用lbest表示其位置。在找到这两个最好解后粒子根据如下的式1和式2
化算法其思想来源于人工生命和演
来更新自己的速度和位置。粒子i的
化计算理论。Rey
olds对鸟群飞行的信息可以用D维向量表示位置表示为
研究发现鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整r