粒子群算法综述 遗传算法.docx

粒子群算法综述_遗传算法
【摘要】：粒子群算法(PSO)是一种新兴的基于群体智能的启发式全局搜索算法，具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已得到广智能的随机优化算法。这类算法的仿生基点是：群集动物(如蚂蚁、鸟、鱼等)通过群聚而有效的觅食和逃避追捕。在这类群体的动物中，每个个体的行为是建立在群体行为的基础之上的，即在整个群体中信息是共享的，而且在个体之间存在着信息的交换与协作。如在蚁群中，当每个个体发现食物之后，它将通过接触或化学信号来招募同伴，使整个群落找到食源；在鸟群的飞行中，每只鸟在初始状态下处于随机位置，且朝各个方向随机飞行，但随着时间推移，这些初始处于随机状态的鸟通过相互学****相互跟踪)组织的聚集成一个个小的群落，并以相同的速度朝着相同的方向飞行，最终整个群落聚集在同一位置──食源。这些群集动物所表现的智能常称为“群体智能”，它可表述为：一组相互之间可以进行直接通讯或间接通讯(通过改变局部环境)的主体，能够通过合作对问题进行分布求解。换言之，一组无智能的主体通过合作表现出智能行为特征。粒子群算法就是以模拟鸟的群集智能为特征，以求解连续变量优化问题为背景的一种优化算法。因其概念简单、参数较少、易于实现等特点，自提出以来已经受到国内外研究者的高度重视并被广泛应用于许多领域。










　　
　　粒子群算法一经提出就吸引了各国学者的注意，各种关于PSO算法的理论与应用研究的成果不断涌现，有力地推动了PSO算法的研究。研究主要从下面两个方向开展：一个是从具体优化的应用着手，根据具体情况，对算法进行改进，以满足应用要求；另外一个是粒子群算法的理论方面着手，分析算法的收敛性能，提高算法的优化性。
　　
　　
　　粒子群算法是基于群体的演化算法。Reynolds对鸟群飞行的研究发现，鸟仅仅是追踪它有限数量的邻居，但最终的整体结果是整个鸟群好像在一个中心的控制之下，即复杂的全局行为是由简单规则的相互作用引起的。PSO即源于对鸟群捕食行为的研究，一群鸟在随机搜寻食物，如果这个区域里只有一块食物，那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO就是从这种模型中得到启示而产生的，并用于解决优化问题。另外，人们通常是以他们自己及他人的经验作为决策的依据，这就构成了PSO的基本概念。
　　算法采用速度一位置搜索模型，每个粒子代表解空间的一个候选解，解的优劣程度由适应度函数决定。速度Vi=(Vi1，Vi2，…，Vid)决定粒子在搜索空间迭代时的位移。其中，适应度函数根据优化目标定义。粒子群算法随机初始化为一群粒子，其中第i个粒子在d维解空间的位置表示为Xi=(Xi1，Xi2，…，Xin)。与进化算法比较，粒子群算法保留了基于种群的全局搜索策略，但是其采用的速度一位置模型，操作简单，避免了复杂的遗传操作。它特有的