| 查看: 2479 | 回复: 25 | ||
| 【奖励】 本帖被评价9次，作者darliu增加金币 7.5 个 | ||
| 当前主题已经存档。 | ||
| 当前只显示满足指定条件的回帖，点击这里查看本话题的所有回帖 | ||
[资源]
【转贴】粒子群算法
|
||
|
数字优化技术已经被广泛地应用于工程各领域中。但优化问题的求解一般存在两个主要问题，一是具有很高的计算复杂度，需要大量的时间和资源，另一个是容易陷入局部最优。全局搜索技术很好地解决了这些问题。进化算法提供了独特的思路，近年来引起了各领域研究者的浓厚兴趣。 1995年Kennedy等人提出了粒子群优化（Particle Swarm Optimization，简记为PSO）算法又成为进化计算家族的新成员，近年来受到大家的特别关注。粒子群优化算法起源于对简单社会系统的模拟。最初设想是模拟鸟群觅食的过程。但后来发展PSO是一种很好的优化工具。设想这样的一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物，所有的鸟都不知道食物在那里，但是它们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢？最简单有效的方法就是搜寻目前离食物最近的鸟的周围区域。PSO从这种模型中得到启示，并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索，PSO初始化为一群随机粒子（随机解），然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。这就是PSO的所谓全局方法和局部方法，前者速度快不过有时会陷入局部最优，后者收敛速度慢一点，不过很难陷入局部最优。在实际应用中，可以先用全局PSO方法找到大致的结果，再由局部PSO方法进行仔细搜索。 粒子群优化算法有极强的与其他算法结合的特点，研究者将许多新的算法（象：模拟退火算法、遗传算法、神经网络等方法）用于改进PSO算法，取得了很好的效果，实践证明，这些改进了的PSO算法在解决无约束问题上有很强的应用价值。 [ Last edited by laizuliang on 2007-11-6 at 08:59 ] |
回复此楼
3楼2006-12-19 10:02:30
能给出其matlab程序吗?谢谢 2楼2006-12-19 09:11:33
4楼2006-12-20 09:58:31
5楼2006-12-21 21:41:12
