粒子群优化算法

2011-12-05 19:49:55

标签：群智能 休闲 蚁群优化 粒群优化 粒子群优化

原创作品，允许转载，转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。http://nxlhero.blog.51cto.com/962631/734212

粒子群优化算法属于群智能(swarm intelligence)优化算法。群智能分两种，一种是粒群优化，另一种是蚁群优化。

群智能概念

假设你和你的朋友正在寻宝，每个人有个探测器，这个探测器可以知道宝藏到探测器的距离。你们一群人在找，每个人都可以把信息共享出去，就跟打dota时你 可以有你队友的视野，你可以知道其他所有人距离宝藏的距离，这样，你看谁离宝藏最近，就向谁靠近，这样会使你发现宝藏的机会变大，而且，这种方法比你单人 找要快的多。

这是一个群行为(swarm behavior)的简单实例，群中各个体交互作用，使用一个比单一个体更有效的方法求解全局目标。可以把群(swarm)定义为某种交互作用的组织或Agent之结构集合，在群智能计算研究中，群的个体组织包括蚂蚁，白蚁，蜜蜂，黄蜂，鱼群，鸟群等。在这些群体中，个体在结构上是很简单的，而它们的集体行为却可能变得相当复杂。研究人员发现，蚂蚁在鸟巢和食物之间的运输路线，不管一开始多随机，最后蚂蚁总能找到一条最短路径。

粒群优化概念

粒群优化(particle swarm optimization,PSO)算法是一种基于群体搜索的算法，它建立在模拟鸟群社会的基础上。粒群概念的最初含义是通过图形来模拟鸟群优美和不可预 测的舞蹈动作，发现鸟群支配同步飞行和以最佳队形突然改变飞行方向并重新编队的能力。这个概念已经被包含在一个简单有效的优化算法中。

在粒群优化中，被称为“粒子”(particle)的个体通过超维搜索空间“流动”。粒子在搜索空间中的位置变化是以个体成功地超过其他个体的社会心理意向为基础的，因此，群中粒子的变化是受其邻近粒子（个体）的经验或知识影响的。一个粒子的搜索行为受到群中其他粒子的搜索行为的影响。由此可见，粒群优化是一种共生合作算法。

算法描述

先通过一个形象的场景来描述一下：5只鸟觅食，每个鸟都知道自己与食物的距离，并将此信息与其他鸟共享。

一开始，5只鸟分散在不同的地方，假设没只鸟每秒钟更新自己的速度和方向，问题是怎么更新呢？

每只鸟记下自己离食物最近的位置，称为pbest，pbest0,pbest1,..分别表示5只鸟的pbest，从这里面选一个gbest，组里最好的。

每过一秒钟，鸟更新自己的速度v(此处为矢量)，

v_new  = v_old + c1*rand()*(pbest-pcurrent) +c2*rand()*(gbest-pcurrent)

c1,c2一般为2，rand()产生0~1的随机数。

然后以这个速度飞行1秒，再次更新，最终离食物越来越近。

以下伪码摘自百度百科

　程序的伪代码如下

　　For each particle

　　____Initialize particle

　　END

　　Do

　　____For each particle

　　________Calculate fitness value

　　________If the fitness value is better than the best fitness value (pBest) in history

　　____________set current value as the new pBest

　　____End

　　____Choose the particle with the best fitness value of all the particles as the gBest

　　____For each particle

　　________Calculate particle velocity according equation (a)

　　________Update particle position according equation (b)

　　____End

　　While maximum iterations or minimum error criteria is not attained

　　在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax。

程序实例

计算f(x) = x*x - 20x + 100 的最小值及取最小值时的x

  1. #include <iostream>
  2. #include <cmath>
  3. #include <cstdlib>
  4. using namespace std;
  5. #define C1 2
  6. #define C2 2
  7. #define VMAX 5.0
  8. #define MAX_ITERATIONS 100
  9. float rand01()
  10. {
  11. return (float) (rand()/(double)RAND_MAX);
  12. }
  13. struct particle{
  14. float current;
  15. float pbest;
  16. };
  17. float fitness(float x)
  18. {
  19. return x*x - 20*x + 100;
  20. }
  21. float gbest = 10000;
  22. struct particle p[5];
  23. float v[5] = {0};
  24. void init_particles()
  25. {
  26. int i;
  27. for(i = 0; i < 5; i++)
  28. {
  29. p[i].current = -2+i;
  30. p[i].pbest = p[i].current;
  31. }
  32. }
  33. void find_gbest()
  34. {
  35. int i;
  36. for(i = 0; i < 5; i++)
  37. {
  38. if(fitness(gbest) > fitness(p[i].current))
  39. gbest = p[i].current;
  40. }
  41. }
  42. void adjust_v()
  43. {
  44. int i ;
  45. for(i = 0; i < 5; i++)
  46. {
  47. v[i] = v[i] + C1*rand01()*(p[i].pbest - p[i].current) + C2*rand01()*(gbest - p[i].current);
  48. if(v[i] > VMAX)
  49. v[i] = VMAX;
  50. }
  51. }
  52. void pso()
  53. {
  54. int i,iter_num;
  55. iter_num = 1;
  56. while(iter_num < MAX_ITERATIONS)
  57. {
  58. /*for(i = 0; i < 5; i++)
  59. {
  60. cout <<"p"<<i<<":current "<<p[i].current<<" pbest "<<p[i].pbest<<endl;
  61. }
  62. cout <<"gbest:"<<gbest<<endl;
  63. cout <<endl;
  64. getchar();*/
  65. for(i = 0; i < 5; i++)
  66. {
  67. if(fitness(p[i].current) < fitness(p[i].pbest))
  68. p[i].pbest = p[i].current;
  69. }
  70. find_gbest();
  71. adjust_v();
  72. for(i = 0; i < 5; i++)
  73. p[i].current += v[i];
  74. iter_num ++;
  75. }
  76. }
  77. int main()
  78. {
  79. init_particles();
  80. pso();
  81. printf("After %d iterations,gbest is %f\n",MAX_ITERATIONS,gbest);
  82. return 0;
  83. }

运行结果

下面是每次迭代后的结果，可以看到，经过5次迭代，结果就很好了。

  1. After 1 iterations
  2. p0:current -2 pbest -2
  3. p1:current -1 pbest -1
  4. p2:current 0 pbest 0
  5. p3:current 1 pbest 1
  6. p4:current 2 pbest 2
  7. gbest:10000
  8. After 2 iterations
  9. p0:current 1.15506 pbest -2
  10. p1:current 3.79064 pbest -1
  11. p2:current 0.790205 pbest 0
  12. p3:current 2.53646 pbest 1
  13. p4:current 2 pbest 2
  14. gbest:2
  15. After 3 iterations
  16. p0:current 6.15506 pbest 1.15506
  17. p1:current 8.58128 pbest 3.79064
  18. p2:current 5.79021 pbest 0.790205
  19. p3:current 5.87216 pbest 2.53646
  20. p4:current 4.17373 pbest 2
  21. gbest:3.79064
  22. After 4 iterations
  23. p0:current 11.1551 pbest 6.15506
  24. p1:current 13.3719 pbest 8.58128
  25. p2:current 10.7902 pbest 5.79021
  26. p3:current 9.79741 pbest 5.87216
  27. p4:current 8.27141 pbest 4.17373
  28. gbest:8.58128
  29. After 5 iterations
  30. p0:current 13.8766 pbest 11.1551
  31. p1:current 10.1764 pbest 8.58128
  32. p2:current 14.7492 pbest 10.7902
  33. p3:current 13.7227 pbest 9.79741
  34. p4:current 13.2714 pbest 8.27141
  35. gbest:9.79741
  36. After 6 iterations
  37. p0:current 8.03327 pbest 11.1551
  38. p1:current 6.98078 pbest 10.1764
  39. p2:current 13.2414 pbest 10.7902
  40. p3:current 4.78856 pbest 9.79741
  41. p4:current 11.6974 pbest 8.27141
  42. gbest:10.1764
  43. After 7 iterations
  44. p0:current 5.84287 pbest 11.1551
  45. p1:current 9.25245 pbest 10.1764
  46. p2:current 5.23059 pbest 10.7902
  47. p3:current -3.28694 pbest 9.79741
  48. p4:current 9.93147 pbest 11.6974
  49. gbest:10.1764

本文出自 “牛哥的博客” 博客，请务必保留此出处http://nxlhero.blog.51cto.com/962631/734212

时间： 2024-12-19 18:10:16

粒子群优化算法的相关文章

量子粒子群优化算法

参考文献: 量子行为粒子群优化算法研究[D] ,孙俊,博士论文2.4节. #include <iostream> #include <math.h> #include <time.h> using namespace std; #define M 50 //群体数目50 #define N 4 //每个粒子的维数4 //测试类 class TestFunction { public: double resen(double x1,double x2,double x3,

粒子群优化算法(PSO)

1. 概念 粒子群优化算法(PSO:Particle swarm optimization) 是一种进化计算技术(evolutionary computation). 源于对鸟群捕食的行为研究.粒子群优化算法的基本思想:是通过群体中个体之间的协作和信息共享来寻找最优解． PSO的优势:在于简单容易实现并且没有许多参数的调节.目前已被广泛应用于函数优化.神经网络训练.模糊系统控制以及其他遗传算法的应用领域. 2. 算法 2.1 问题抽象 鸟被抽象为没有质量和体积的微粒(点),并延伸到N维空间,粒子

粒子群优化算法简介

好好学数学. 一.问题来源 经朋友介绍,接了一份工作,就是做PSO及其优化,恰好我导师也研究这个,刚开学也有接触,那我就接了.......赚点生活费. 欢迎大家和我联系做算法类项目,QQ:791909235,Tel:13137910179. 二.背景介绍 2.1 人工生命 人工生命:研究具有某些生命基本特征的人 工系统.包括两方面的内容: 1.研究如何利用计算技术研究生物现象: 2. 研究如何利用生物技术研究计算问题. 我们关注的是第二点.已有很多源于生物现象的计算技巧,例如神经网络和遗传算法.

粒子群优化算法(PSO)找最优解

关于粒子群优化算法(PSO)的解释:http://blog.csdn.net/myarrow/article/details/51507671 (等网上各种参考资料) 用PSO找函数极值. function [ f ] = fun( x, y ) %UNTITLED2 此处显示有关此函数的摘要 % 此处显示详细说明 a = 50; b = 50; f = (x-a)^2 + (y-b)^2; end 构造了一个二元函数,很明显,有极小值,在(50, 50). 用五个粒子去找.每个点对应的函数输出

粒子群优化算法PSO及matlab实现

算法学习自:MATLAB与机器学习教学视频 1.粒子群优化算法概述 粒子群优化(PSO, particle swarm optimization)算法是计算智能领域,除了蚁群算法,鱼群算法之外的一种群体智能的优化算法,该算法最早由Kennedy和Eberhart在1995年提出的,该算法源自对鸟类捕食问题的研究. • PSO算法首先在可行解空间中初始化一群粒子,每个粒子都代表极值优化问题的一个潜在最优解,用位置.速度和适应度值三项指标表示该粒子特征. • 粒子在解空间中运动,通过跟踪个体极值Pb

粒子群优化算法及其java实现

憋了两周终于把开题报告憋出来了,再一次证明自己不适合搞学术,哎--,花了点时间把报告中提到的粒子群算法看了看,看了些资料,用java跑起来. 算法简介 粒子群算法最先由Barnhart博士和Kennedy博士于1995 年提出,是一种源于对鸟群捕食行为的研究而发明的进化计算技术,原理是模仿鸟群寻觅食物的搜索过程,设想鸟群在一定区域搜寻食物,在不知道食物确切位置的情况下,鸟群依靠群体中个体判断距离食物的远近程度来调节飞行方向和飞行速度,最终通过群体的经验和自身记忆的智慧找到食物. 算法原理 算法描

粒子群优化算法-python实现

PSOIndividual.py 1 import numpy as np 2 import ObjFunction 3 import copy 4 5 6 class PSOIndividual: 7 8 ''' 9 individual of PSO 10 ''' 11 12 def __init__(self, vardim, bound): 13 ''' 14 vardim: dimension of variables 15 bound: boundaries of variables

粒子群优化算法解决场地资源布局问题-算法原型探讨

在面试的过程当中,在面试官提出问题的时候,往往会就问题本身引申出较深层次的问题.比如:你使用过with语句吗?我的回答是:with语句经常适用于对资源进行访问的场合,确保在访问的过程中不管是否发生异常都会指执行必要的清理操作,比如文件的自动关闭以及线程中锁的自动获取与释放.面试官紧接着问,那你知道为什么with语句能够使文件正确关闭,一下子把我问闷了,只能依稀记得with语句会开辟出一块独立环境来执行文件的访问,类似沙盒机制.面试官对这个答案不置可否,算是勉强通过了.所以知其然更要知其所以然.在

基本粒子群优化算法（PSO）的matlab实现

粒子群优化算法是一种模拟鸟群社会行为的群体搜素算法.它分为全局最佳粒子优化和局部最佳粒子优化,对于全局最佳PSO,或者叫做gbest PSO,每个粒子的邻域都是整个群,其算法伪代码如下: 创建并初始化一个n维的粒子群 repeat for 每个粒子i=1,2,-n do //设置个体最佳位置 if f(i)<y then y=f(i); end //设置全局最佳位置 if y<Y then Y=y; end end for 每个粒子i=1,2,-n do 用速度方程更新速度 用位置方程更新位置