混沌粒子群优化算法¨
计算机科学2004V01．31N-o．8
高鹰h2谢胜利1
(华南理工大学电子与信息学院广州510641)1
(广州大学信息机电学院计算机科学与技术系广州510405)2
摘要粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌手优思想引入到粒子群优化算法中，这种方
法利用混沌运动的随机性、遍历性和规律性等特性首先对当前粒子群体中的最优粒子进行混池寻优，然后把混沌寻优
的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快t从而改善了粒子群优化算法摆
脱局部极值点的能力，提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群
优化算法。
关键词粒子群优化算法。混沌手优，优化
’ChaosParticle Swarm
OptimizationAlgorithm
GAO
Yin91”XIESheng—Lil
(College
of Electronic＆Information
EngineeringtSouth
China University of
Technology，Guangzhou
510641)1
(Dept．of Computer
Science and
Technology．GuangzhouUniversity·Guangzhou
510405)2
Abstract Particle swarm
optimization
is anewstochastic
global
optimization evolutionaryalgorithm．In
this paper，
the chaotic search
is embeddedinto
original
particle
swarm
optimizers．Based
on the
ergodicity，stochastic property
and
regularity
ofchaos，fl new
superior
individualis
reproducedby
chaotic
searching
onthecurrent
global
best individ—
ual。and
astochastic selectedindividualfrom the current“population”is replaced by
the new
superior
individual．The
particle
swarm
optimization
embedded chaotic search
quicIcens
the evolution
process，and improves
the abilities of
seeking
the
global
excellent result and convergencespeed
and
accuracy．The experiment
results demonstrate thatthe proposedalgorithms
are
superior
to
original
particle
swarm
optimization algorithms．
Keywords
Particleswarm
optimization，Chaotic search，0ptimization 1 引言
Kennedy和EberhartE“钉于1995年提出的粒子群优化算
法是一种基于群智能的随机优化进化算法。同遗传算法类似，
是一种基予群体的具有全局寻优能力的优化工具。但它没有
遗传算法中用的交叉以及变异等复杂的遗传操作，其优势在
于简单、易于实现同时又有深刻的智能背景，既适合科学研
究。又特别适合工程应用。自从粒子群优化算法提出以来，一
直受到计算智能等领域的研究人员的广泛关注，在短短的几
年时间里取得了丰硕的研究成果[2““。然而，Kennedy等人提
出的粒子群优化算法亦有其不足：易陷入局部极值点，进化后
期收敛速度慢，精度较差等。为了克服粒子群优化算法的这些
不足，研究人员提出了许多改进的粒子群优化算法，如：1998
年ShiY提出的带惯性因子的粒子群优化算法[3]，随后于
2001年给出的模糊自适应粒子群优化算法“1；为控制粒子的
飞行速度，ClercM于1999年提出的带约束因子的粒子群优
化算法[53；借鉴遗传算法的思想，AngelineP．(1998)提出了杂
交粒子群优化算法口]，之后，LovbjergM(2001)给出了具有繁
殖和子群的粒子群优化算法[7]，2003年Natsuki又给出的具
有高斯变异的粒子群优化算法[83；为使粒子群优化算法更易
跳出局部极值点，Van(2001)给出了协同粒子群优化算
法‘“”]；文[11，123(1997，2000)对粒子群优化算法进行了扩
展而提出了离散粒子群优化算法等。这些算法从不同方面对
粒子群优化算法进行了改进，不同程度地提高了算法的收敛
速度和精度，但效果并不是非常理想。混沌(Chaos)是自然界
中一种常见的非线性现象。混沌变量看似杂乱的变化过程其
实含有内在的规律性，利用混沌变量的随机性、遍历性及规律
性可以进行优化搜索[15,16]。本文将混沌优化思想引入到粒子
群优化算法中，给出了混沌粒子群优化算法。其基本思想是首
先对粒子群体中的最优粒子进行混沌寻优，然后把混沌寻优
的结果随机替换粒子群体中的一个粒子。这种处理改善了粒
子群优化算法摆脱局部极值点的能力，提高了算法的收敛速
度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明
显优于粒子群优化算法。
2混沌粒子群优化算法
一般将由确定性方程得到的具有随机性的运动状态称为
混沌，呈现混沌状态的变量称为混沌变量。如下的Logistic方
程D53是一个典型的混沌系统：
2计l=pz。(1一z．)n一0，1，2，…
(1)
*)国家自然科学基金(602"／4006)、广东省优秀人才基金(2000—6—15)、华南理工大学自然科学基金资助项目．离鹰博士后，尉教授，主要研
究领域：盲信号处理、人工神经网络、小波分析和智能信息处理等．谢胜利教授，博士生导师，主要研究领域：智能信息处理、盲信号处理、非线
性系统学习控制等．
·13·
万方数据
式中卢为控制参量，方程(1)可以看作是一个动力学系
统。p值确定后，由任意初值z。∈[o，1]．可迭代出一个确定的
时间序列z。，砘椭，…。一个混沌变量在一定范围内有如下特
点：随机性，即它的表现同随机变量一样杂乱；遍历性，即它可
以不重复地历经空间内的所有状态；规律性，该变量是由确定
的迭代方程导出的。混沌优化方法是一种新颖的优化方法，它
利用混沌系统特有的遍历性来实现全局最优，而且它不要求
目标函数具有连续性和可微性的性质。
粒子群优化算法最初是Kennedy和Eberhart[1’21从模拟
社会行为而发展起来的具有全局寻优能力的优化工具。它通
过迭代搜寻最优值，系统初始化为一组随机解，而粒子(潜在
的解)在解空间追随最优的粒子进行搜索。假设在一个n维的
目标搜索空间中，有Ⅳ个粒子组成一个群体，其中第i个粒
子表示一个n维的向量麓一(巍l，轧2，…，嚣．．)，i一1，2，…，N，分基乩，在[口，，幻]范围内取制值，即n，≤札，≤幻，i一1，2，…，Ⅳ，j一1，2，…，以，每个粒子的位置就是一个潜在的解。将
Xi带入一个目标函数就可以计算出其适应值．根据适应值的
大小衡量Xi的优劣。第i个粒子的“飞行”速度也是一个n维
的向量，记为∞=(研．1'研．2’…，口。)，i一1，2，…，Ⅳ。记第i个粒子迄今为止搜索到的最优位置为A一(丸t，pm，…，p。)，i
一1，2，…，Ⅳ，整个粒子群迄今为止搜索到的最优位置为m一
(A。P川，…，P。)，粒子群优化算法采用下列公式对粒子操
作：
埘一q+clrl(肼～∞)+c2r2(办一麓)
(2)
ao一∞+砌
(3)
其中，i=1，2．…，N；学习因子c，和C。是非负常数m和r。是
介于[o，1]之间的随机数。迭代中止条件根据具体问题一般选
为最大迭代次数或(和)粒子群迄今为止搜索到的最优位置满
足预定最小适应阈值。
粒子群优化算法虽然简单，但其有易陷入局部极值点，进
化后期收敛速度慢，精度较差等的缺点。如能采取某种优化手
段使每一代群体的质量进一步提高，则无疑会有助于后面的
搜索过程。为此，我们把混沌优化思想引入到粒子群优化算法
中，提出了混沌粒子群优化算法。主要措施是利用混沌运动的
遍历性以当前整个粒子群迄今为止搜索到的最优位置为基础
产生混沌序列，把产生的混沌序列中的最优位置粒子随机替
代当前粒子群中的一个粒子的位置。提出的混沌粒子群优化
算法的具体步骤如下：
①确定参数：学习因子c。，c2，和群体规模Ⅳ，进化次数，
混沌寻优次数。
②随机产生N个粒子的种群。
混沌粒子群混合优化算法 王大均，李华平，高兴宝，赵云川 四川蜀渝石油建筑安装工程有限责任公司，四川成都（610017） 摘 要：粒子群优化算法（PSO ）具有收敛速度快但易陷入局部最优点的特点，因此本文将在结合混沌运动的遍历性、伪随机性和对初值的敏感性等特点的基础上，对粒子群优化算法进行了改进，提出了一种基于混沌思想的粒子群优化算法（CPSO ），该算法保持了群体多样性，增强了PSO 算法的全局寻优能力，提高了算法的计算精度，改善了收敛性和鲁棒性，很大程度上避免了算法停滞现象的发生，是一种有效的优化搜索算法。 关键词：混合优化算法；混沌优化算法；粒子群优化算法 1. 引言 粒子群算法PSO(Particle Swarm Optimization) 是Kennedy J 与Eberhart R 于1995年借鉴鸟群和鱼群捕食过程的社会行为提出的[1]。该算法具有程序简单、控制参数少、寻优结果与初值无关、且具有一定的并行性等特点，因此从开始研究到现在短短的十年时间里，表现出强大的优化功能，被广泛应用到函数优化、神经网络训练、人工智能、模糊系统控制等领域。PSO 作为一种更高效的并行搜索算法，非常适于对复杂环境中的优化问题的求解，成为目前进化计算研究的一个热点。但是标准的粒子群算法表现出强烈的“趋同性”，对于单调函数、严格凸函数或单峰函数，能在初始时很快向最优解靠拢，但在最优解附近收敛较慢，对于多峰函数更易出现早熟现象以及运算量较大等缺点。 混沌学的诞生是20世纪人类科学史上继相对论和量子理论之后的第三次革命，混沌是指在确定性系统中出现的随机状态，为非线性系统的一种演变现象，它不是由随机性外因引起，而由确定性规则导致的对初始条件非常敏感的无固定周期的长期行为[2]。混沌运动能在一定范围内按其自身不重复地遍历所有状态，初始值条件极其微弱的变化会引起系统行为巨大变化。因此，本文将在对标准粒子群算法改进的基础上，将混沌思想引入到粒子群算法中，避免了易陷入局部最优值的缺点，大大改善了粒子群算法的优化性能。 2. 粒子群优化算法的改进 2.1标准粒子群优化算法 假设搜索空间是D 维的，搜索空间有 m 个微粒，每个微粒的位置表示一个潜在的解，微粒群中第 i 个微粒的位置用()iD i i i x x x X ,,,21L =→ 表示，第i 个微粒的速度表示为 ()iD i i i v v v V ,,,21L =→ 。第i 个微粒经历过的最好位置 ( 有最好适应度 )记为()iD i i i p p p P ,,,21L =→ ，称为个体极值best p 。整个微粒群迄今为止搜索到的最好位置记为 ()gD g g g p p p P ,,,21L =→ ，称为全局极值best g 。对于每一个微粒，其第 d 维()D d ≤≤1， 根据如下等式变化：
安康学院 学年论文（设计） 题目_____________________________________________ 学生姓名_______________ 学号_____________________________ 所在院（系）_______________________________________ 专业班级__________________________________________________ 指导教师_____________________________________________ 年月曰
基于粒子群优化算法的图像分割 （作者：） （） 指导教师： 【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。 基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。而粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。从而可以在最短的时间内，准确地确定分割阈值。 关键词：粒子群优化（PSO，图像分割，阈值法，鲁棒性 Abstract T his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold. Key word s: PSO, image segmentation, threshold method, robust. 1引言 1.1研究的背景和意义 技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。据统计，人类
1.Pso算法 function [xm,fv] = SAPSO( fitness,N,c1,c2,wmax,wmin,M ) % fitness 适应度函数 % N 种群个数 % c1 % c2 % wmax 最大权重 % wmin 最小权重 % M 迭代次数 cg=32;%传感器个数 format long; %-----------------------初始化种群个体 ------------------------------------- for i=1:N %粒子个数为n a1=-17.5:10:12.5; a11=a1*(i+5)/10; [a2,a3]=meshgrid(a1,a11); a4=reshape(a2,1,16); a5=reshape(a3,1,16); b1=-12.5:10:17.5; b11=b1*(i+5)/10; [b2,b3]=meshgrid(b1,b11); b4=reshape(b2,1,16); b5=reshape(b3,1,16); x11=[a4,b4;a5,b5]+20;%ó|ó?μè±èàyà?é￠y1ì?¨ x(:,:,i)=x11';%初始化传感器个数为20 v(:,:,i)=10*rand(cg,2); end %----------------------计算各个粒子适应度------------------------------for i=1:N; p(i)=fitness(x(:,:,i)); y(:,:,i)=x(:,:,i); end pg=x(:,:,N); %pg为全局最优 for i=1:(N-1) if fitness(x(:,:,i)) 收稿日期:2009-12-13 基金项目:国家自然科学基金资助项目(60674021) 作者简介:卢 峰(1982-),男,辽宁抚顺人,东北大学博士研究生;高立群(1949-),男,辽宁沈阳人,东北大学教授,博士生导师 第32卷第9期2011年9月东北大学学报(自然科学版)Journal of Northeastern U niversity(Natural Science)Vol 32,No.9Sep.2011 基于改进粒子群算法的优化策略 卢 峰,高立群 (东北大学信息科学与工程学院,辽宁沈阳 110819) 摘 要:为提高传统粒子群算法的搜索速度和搜索精度,提出了一种改进的自适应粒子群优化算法 将正则变化函数和慢变函数引入传统位置更新和速度更新公式当中,形成两种新的更新机制:搜索算子和开发算子 在算法运行的初始阶段,种群中大部分个体将按照搜索算子进行更新,搜索算子将有助于种群遍历整个解空间;随着迭代次数的增加,按照搜索算子进行更新的个体将逐渐减少,而按照开发算子进行更新的个体将逐渐增多,开发算子将有效地克服陷入局部最优解的问题 通过典型测试函数的仿真实验,新算法在加快收敛速度同时,提高了算法的全局搜索能力 关 键 词:进化算法;粒子群算法;全局优化;慢变函数;自适应 中图分类号:T G 273 文献标志码:A 文章编号:1005 3026(2011)09 01221 04 Novel Optimization Mechanism Based on Improved Particle Swarm Optimization L U Feng ,GAO L i qun (School of Information Science &Engineering,Northeaster n U niv ersity,Shenyang 110819,China.Corresponding author :LU F eng,E mail:feng.lu.lf @g https://www.doczj.com/doc/541187642.html,) Abstract :To accelerate searching speed and optimization accuracy of traditional PSO,an improved particle swarm optimization (PSO )algorithm w as presented.Regularly vary ing function and slow ly varying function were introduced in the position and velocity update formula.New mechanisms such as explorative operator and exploitative operator are formulated.At the beginning,most elements will be updated by explorative operator in the entire search space sufficiently.Within the iterations,more and more particles w ill be handled by ex ploitative operator,which are useful to overcome the deceptions of multiple local optima.It can be seen from the simulation results of the standard benchm ark test functions that the proposed algorithm not only accelerates the convergence process,but also improves g lobal optim ization ability. Key words:evolutionary algorithms;particle sw arm optimization;global optimization;slow ly v arying function;self adaptive 20世纪90年代初,产生了模拟自然生物群体行为的优化方法,被称为群智能优化方法 Dorigo 等人通过模拟蚂蚁的寻径行为,提出了蚁群优化算法(ant colony optimization)[1] ;Eberhart 等人基于对鸟群、鱼群的模拟,提出了粒子群优化算法(particle sw arm optim ization )[2] 作为一种群智能优化方法的代表,粒子群算法通过个体间的协作来寻找最优解,每个个体都被赋予一个随机速度并在整个解空间中搜索,通 过个体之间的合作与竞争来实现个体进化 由于粒子群优化算法运算简单,易于实现,具有良好的解决非线性、不可微和多峰值复杂优化问题的能力,已被广泛应用于科学和工程实际领域[3-5] 但是,粒子群优化算法是根据全体粒子和自身的搜索经验向着最优解的方向进化,在进化后期收敛速度将变得缓慢,同时算法在收敛到一定精度时,容易陷入停滞,无法继续进化更新,因此,存在早熟和陷入局部极值点的现象 粒子群算法解决函数优化问题 1、群智能算法研究背景 粒子群优化算法（Particle Swarm Optimization，PSO）是由Kennedy 和Eberhart 在研究鸟类和鱼类的群体行为基础上于1995 年提出的一种群智能算法，其思想来源于人工生命和演化计算理论，模仿鸟群飞行觅食行为，通过鸟集体协作使群体达到优。 PSO算法作为一种新的群智能算法，可用于解决大量非线性、不可微和多峰值的复杂函数优化问题，并已广泛应用于科学和工程领域，如函数优化、神经网络训练、经济调度、模式识别与分类、结构设计、电磁场和任务调度等工程优化问题等。 PSO算法从提出到进一步发展，仅仅经历了十几年的时间，算法的理论基础还很薄弱，自身也存在着收敛速度慢和早熟的缺陷。如何加快粒子群算法的收敛速度和避免出现早熟收敛，一直是大多数研究者关注的重点。因此，对粒子群算法的分析改进不仅具有理论意义，而且具有一定的实际应用价值。 2、国内外研究现状 对PSO算法中惯性权重的改进：Poli等人在速度更新公式中引入惯性权重来更好的控制收敛和探索，形成了当前的标准PSO算法。 研究人员进行了大量的研究工作，先后提出了线性递减权值( LDIW)策略、模糊惯性权值( FIW) 策略和随机惯性权值( RIW) 策略。其中，FIW 策略需要专家知识建立模糊规则，实现难度较大，RIW 策略被用于求解动态系统，LDIW策略相对简单且收敛速度快， 任子晖，王坚于2009 年，又提出了基于聚焦距离变化率的自适应惯性权重PSO算法。 郑春颖和郑全弟等人，提出了基于试探的变步长自适应粒子群算 法。这些改进的PSO算法既保持了搜索速度快的特点, 又提高了全局搜索的能力。 对PSO算法的行为和收敛性的分析：1999 年采用代数方法对几种典型PSO算法的运行轨迹进行了分析，给出了保证收敛的参数选择范围。在收敛性方面Fransvan den Bergh引用Solis和Wets关于随机性算法的收敛准则，证明了标准PSO算法不能收敛于全局优解，甚至于局部优解；证明了保证收敛的PSO算法能够收敛于局部优解，而不能保证收敛于全局优解。 国内的学者：2006 年，刘洪波和王秀坤等人对粒子群优化算法的收敛性进行分析，指出它在满足收敛性的前提下种群多样性趋于减小，粒子将会因速度降低而失去继续搜索可行解的能力，提出混沌粒子群优化算法。 2008 年，黄翀鹏和熊伟丽等人分析惯性权值因子大小对PSO算法收敛性所带来的影响，对粒子群算法进行了改进。2009 年，高浩和冷文浩等人，分析了速度因子对微粒群算法影响，提出了一种基于Gaussian 变异全局收敛的粒子群算法。并证明了它能以概率 1 收敛到全局优解。 2010 年，为提高粒子群算法的收敛性,提出了基于动力系统的稳定性理论，对惯性权重粒子群模型的收敛性进行了分析，提出了使得在算法模型群模型收敛条件下的惯性权重和加速系数的参数约束关系，使算法在收敛性方面具有显著优越性。在PSO算法中嵌入别的算法的思想和技术。 1997年，李兵和蒋慰孙提出混沌优化方法； 1998年，Angeline在PSO算法中引入遗传算法中的选择算子，该算法虽然加快了算法的收敛速度，但同时也使算法陷入局部优的概率大增，特别是在优化Griewank 基准函数的优值时得到的结果不理想； 2004 年，高鹰和谢胜利将混沌寻优思想引入到粒子群优化算法中，首先对当前群体中的优粒子进行混沌寻优, 再用混沌寻优的结果随机替换群体中的一个粒子，这样提出另一种混沌粒子群优化算法。 对于函数f=x*sin(x)*cos(2*x)-2*x*sin(3*x)，求其在区间[0,20]上该函数的最大值。 ?初始化种群 已知位置限制[0,20],由于一维问题较为简单，因此可以取初始种群N 为50，迭代次数为100,当然空间维数d 也就是1。 位置和速度的初始化即在位置和速度限制内随机生成一个N×d 的矩阵，对于此题，位置初始化也就是在0~20内随机生成一个50×1的数据矩阵，而对于速度则不用考虑约束，一般直接在0~1内随机生成一个50×1的数据矩阵。 此处的位置约束也可以理解为位置限制，而速度限制是保证粒子步长不超限制的，一般设置速度限制为[-1,1]。 粒子群的另一个特点就是记录每个个体的历史最优和种群的历史最优，因此而二者对应的最优位置和最优值也需要初始化。其中每个个体的历史最优位置可以先初始化为当前位置,而种群的历史最优位置则可初始化为原点。对于最优值，如果求最大值则初始化为负无穷，相反地初始化为正无穷。 每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比，如果超过历史最优值，则更新个体和种群的历史最优位置和最优解。 ?速度与位置的更新 速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下: 每次更新完速度和位置都需要考虑速度和位置的限制，需要将其限制在规定范围内，此处仅举出一个常规方法，即将超约束的数据约束到边界（当位置或者速度超出初始化限制时，将其拉回靠近的边界处）。当然，你不用担心他会停住不动，因为每个粒子还有惯性和其他两个参数的影响。 代码如下： clc;clear;close all; %% 初始化种群 f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式figure(1);ezplot(f,[0,0.01,20]); N = 50; % 初始种群个数 d = 1; % 空间维数 ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制 vlimit = [-1, 1]; % 设置速度限制 w = 0.8; % 惯性权重 c1 = 0.5; % 自我学习因子 c2 = 0.5; % 群体学习因子 for i = 1:d 基本粒子群算法的原理和matlab程序 作者——niewei120（nuaa） 一、粒子群算法的基本原理 粒子群优化算法源自对鸟群捕食行为的研究，最初由Kennedy和Eberhart提出，是一种通用的启发式搜索技术。一群鸟在区域中随机搜索食物，所有鸟知道自己当前位置离食物多远，那么搜索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 算法利用这种模型得到启示并应用于解决优化问题。PSO 算法中，每个优化问题的解都是粒子在搜索 空间中的位置，所有的粒子都有一个被优化的目标函数所决定的适应值，粒子还有一个速度值决定它们飞翔的方向和距离，然后粒子群就追随当前的最优粒子在解空间中搜索。 PSO 算法首先在给定的解空间中随机初始化粒子群，待优化问题的变量数决定了解空间的维数。每个粒子有了初始位置与初始速度。然后通过迭代寻优。在每一次迭代中，每个粒子通过跟踪两个“极值”来更新自己在解空间中的空间位置与飞翔速度。第一个极值就是单个粒子本身在迭代过程中找到的最优解粒子，这个粒子叫做个体极值。另一个极值是种群所有粒子在迭代过程中所找到的最优解粒子，这个粒子是全局极值。上述的方法叫全局粒子群算法。如果不用种群所有粒子而只用其中一部分作为该粒子的邻居粒子，那么在所有邻居粒子中的极值就是局部极值，该方法称为局部PSO 算法。 速度、位置的更新方程表示为： 每个粒子自身搜索到的历史最优值p i ，p i=(p i1,p i2,....,p iQ)，i=1,2,3,....,n。所有粒子搜索到的最优值p g，p g=(p g1,p g2,....,p gQ)，注意这里的p g只有一个。 是保持原来速度的系数，所以叫做惯性权重。 是粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识，所以叫“认知”。通常设置为2。 是粒子跟踪群体最优值的权重系数，它表示粒子对整个群体知识的认识，所以叫做“社会知识”，经常叫做“社会”。通常设置为2。 是[0,1]区间内均匀分布的随机数。 是对位置更新的时候，在速度前面加的一个系数，这个系数我们叫做约束因子。通常设 置为1 。 混沌粒子群优化算法¨ 计算机科学2004V01．31N-o．8 高鹰h2谢胜利1 (华南理工大学电子与信息学院广州510641)1 (广州大学信息机电学院计算机科学与技术系广州510405)2 摘要粒子群优化算法是一种新的随机全局优化进化算法。本文把混沌手优思想引入到粒子群优化算法中，这种方 法利用混沌运动的随机性、遍历性和规律性等特性首先对当前粒子群体中的最优粒子进行混池寻优，然后把混沌寻优 的结果随机替换粒子群体中的一个粒子。通过这种处理使得粒子群体的进化速度加快t从而改善了粒子群优化算法摆 脱局部极值点的能力，提高了算法的收敛速度和精度。仿真结果表明混沌粒子群优化算法的收敛性能明显优于粒子群 优化算法。 关键词粒子群优化算法。混沌手优，优化 ’ChaosParticle Swarm OptimizationAlgorithm GAO Yin91”XIESheng—Lil (College of Electronic＆Information EngineeringtSouth China University of Technology，Guangzhou 510641)1 (Dept．of Computer Science and Technology．GuangzhouUniversity·Guangzhou 510405)2 Abstract Particle swarm optimization is anewstochastic global optimization evolutionaryalgorithm．In this paper， the chaotic search is embeddedinto original particle swarm optimizers．Based on the ergodicity，stochastic property and 主函数源程序（main.m） %------基本粒子群优化算法（Particle Swarm Optimization）-----------%------名称：基本粒子群优化算法（PSO） %------作用：求解优化问题 %------说明：全局性，并行性，高效的群体智能算法 %------初始格式化--------------------------------------------------clear all; clc; format long; %------给定初始化条件---------------------------------------------- c1=1.4962;%学习因子1 c2=1.4962;%学习因子2 w=0.7298;%惯性权重 MaxDT=1000;%最大迭代次数 D=10;%搜索空间维数（未知数个数） N=40;%初始化群体个体数目 eps=10^(-6);%设置精度(在已知最小值时候用) %------初始化种群的个体(可以在这里限定位置和速度的范围)------------for i=1:N for j=1:D x(i,j)=randn;%随机初始化位置 v(i,j)=randn;%随机初始化速度 end end %------先计算各个粒子的适应度，并初始化Pi和Pg----------------------for i=1:N p(i)=fitness(x(i,:),D); y(i,:)=x(i,:); end pg=x(1,:);%Pg为全局最优 for i=2:N if fitness(x(i,:),D) 基本粒子群算法的原理和matlab 程序 作者—— niewei120 （nuaa） 一、粒子群算法的基本原理 粒子群优化算法源自对鸟群捕食行为的研究，最初由Kennedy 和 Eberhart 提出，是一种通 用的启发式搜索技术。一群鸟在区域中随机搜索食物，所有鸟知道自己当前位置离食物多远， 那么搜索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 算法利用这种模型得到启示并应用于解决优化问题。PSO 算法中，每个优化问题的解都是粒子在搜索 空间中的位置，所有的粒子都有一个被优化的目标函数所决定的适应值，粒子还有一个速度值决定它们飞翔的方向和距离，然后粒子群就追随当前的最优粒子在解空间中搜索。 PSO 算法首先在给定的解空间中随机初始化粒子群，待优化问题的变量数决定了解空间的维数。每个粒子有了初始位置与初始速度。然后通过迭代寻优。在每一次迭代中，每个粒子通过跟踪两个“极值”来更新自己在解空间中的空间位置与飞翔速度。第一个极值就是单个粒子本身在迭代过程中找到的最优解粒子，这个粒子叫做个体极值。另一个极值是种群所有粒子在迭代过程中所找到的最优解粒子，这个粒子是全局极值。上述的方法叫全局粒子群算法。如果不用种群所有粒子而只用其中一部分作为该粒子的邻居粒子，那么在所有邻居粒子中的极值就是局部极值，该方法称为局部PSO 算法。 速度、位置的更新方程表示为： 每个粒子自身搜索到的历史最优值p i，p i=(p i1 ,p i2 ,....,p iQ )， i=1,2,3,....,n 。所有粒子搜索到的最优值p g， p g=(p g1 ,p g2,....,p gQ )，注意这里的p g只有一个。 是保持原来速度的系数，所以叫做惯性权重。 是粒子跟踪自己历史最优值的权重系数，它表示粒子自身的认识，所以叫“认知”。通常设置为 2 。 是粒子跟踪群体最优值的权重系数，它表示粒子对整个群体知识的认识，所以叫做“社会知识”，经常叫做“社会”。通常设置为2。 是[0,1] 区间内均匀分布的随机数。 是对位置更新的时候，在速度前面加的一个系数，这个系数我们叫做约束因子。通常设 置为 1 。 —180 — 基于Tent 混沌序列的粒子群优化算法 田东平1,2 (1. 宝鸡文理学院计算机软件研究所，宝鸡 721007；2. 宝鸡文理学院计算信息科学研究所，宝鸡 721007) 摘 要：针对粒子群优化算法易陷入局部极值和进化后期收敛速度缓慢的问题，提出基于Tent 混沌序列的粒子群优化算法，应用Tent 映射初始化均匀分布的粒群，提高初始解的质量，设定粒子群聚集程度的判定阈值，并引入局部变异机制和局部应用Tent 映射重新初始化粒群的方法，增强算法跳出局部最优解的能力，有效避免计算的盲目性，从而加快算法的收敛速度。仿真实验结果表明，该算法是有效的。关键词：粒子群优化算法；Tent 映射；变异机制；判定阈值；收敛速度 Particle Swarm Optimization Algorithm Based on Tent Chaotic Sequence TIAN Dong-ping 1,2 (1. Institute of Computer Software, Baoji University of Arts and Science, Baoji 721007; 2. Institute of Computational Information Science, Baoji University of Arts and Science, Baoji 721007) 【Abstract 】Aiming at the problems of easily getting into the local optimum and slowly converging speed of the Particle Swarm Optimization(PSO) algorithm, a new PSO algorithm based on Tent chaotic sequence is proposed. The uniform particles are produced by Tent mapping so as to improve the quality of the initial solutions. The decision threshold of particles focusing degree is employed, and the local mutation mechanism and the local reinitializing particles are introduced in order to help the PSO algorithm to break away from the local optimum, whick can avoid the redundant computation and accelerate the convergence speed of the evolutionary process. Simulation experimental results show this algorithm is effective. 【Key words 】Particle Swarm Optimization(PSO) algorithm; Tent mapping; mutation mechanism; decision threshold; convergence speed 计 算 机 工 程 Computer Engineering 第36卷 第4期 Vol.36 No.4 2010年2月 February 2010 ·人工智能及识别技术· 文章编号：1000—3428(2010)04—0180—03 文献标识码：A 中图分类号：TP301.6 1 概述 粒子群优化(Particle Swarm Optimization, PSO)算法是种 进化算法，是Kennedy 等人在对鸟类、鱼类群集活动时所形成的协同智能进行总结而提出的[1]。与其他进化算法相比，PSO 算法简单通用、易于实现、可调参数少，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，非常适于对复杂环境中优化问题的求解。 目前，PSO 算法已被广泛应用于函数优化、神经网络训练、模糊系统控制等领域。然而，与其他全局优化算法类似，PSO 算法亦有其不足：易陷入局部极值点，进化后期收敛速度缓慢、精度较差等。 文献[2]介绍了一种自适应逃逸微粒群算法，通过逃逸运动，使微粒能够有效地进行全局和局部搜索，减弱了随机变异操作带来的不稳定性。但是，不论是基本PSO 算法还是此处的自适应逃逸PSO 算法，它们都具有不稳定性，究其原因是算法在初始化阶段微粒分布不均匀而造成的。文献[2]只指出算法不稳定性的原因，而并没有给出具体的解决方案。为此，本文提出基于Tent 混沌序列的粒子群优化算法。 2 粒子群优化算法 粒子群优化算法的基本思想源于鸟群飞行的觅食行为。在PSO 系统中，每个备选解被称为一个“粒子”，多个粒子共存与合作寻优。而每个粒子根据其自身“经验”和相邻粒子群的最佳“经验”，在问题解空间中向更好的位置“飞行”，以便搜索最优解。PSO 算法的数学表示如下： ()()()()()()11221id id id id gd id v t v t c r p t x t c r p t x t ω+=×+××?+?????? ××??? (1) ()()()11id id id x t x t v t α+=+×+ (2) 其中，()1id x t +,()id x t ,()1id v t +,()id v t 分别表示第i 个粒子在 1t +和t 时刻的空间位移与运动速度；ω为惯性因子；12,c c 分 别表示粒子个体的加速权重系数和粒子群体的加速权重系数；12,r r 为[0,1]之间的随机数；()(),id gd p t p t 分别表示第i 个粒子个体在搜索过程中的最佳位置和粒子群体在搜索过程中的最佳位置。 3 基于Tent 混沌序列的粒子群优化算法 3.1 混沌映射与混沌序列 一般将由确定性方程得到的具有随机性的运动状态称为混沌，呈现混沌状态的变量称为混沌变量。混沌是存在于非线性系统中的一种普遍现象，一个混沌变量在一定范围内具有随机性、遍历性和规律性的特点。利用混沌变量的这些特征进行优化搜索，能使算法跳出局部最优，保持群体的多样性，改善算法的全局搜索性能。 然而，不同的混沌映射算子对混沌寻优过程有很大的影 基金项目：陕西省教育厅科研计划基金资助项目(09JK335) 作者简介：田东平(1981－)，男，讲师、硕士，主研方向：模糊推理，专家系统，智能优化计算 收稿日期：2009-11-20 E-mail ：tdp211@https://www.doczj.com/doc/541187642.html, 基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用 张丽平 俞欢军3 陈德钊 胡上序 (浙江大学化工系,杭州310027) 摘 要 神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP 或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。关键词 粒子群优化算法,神经网络,定量构效关系 2004201204收稿;2004207225接受 本文系国家自然科学基金资助项目(N o.20276063) 1 引 言 药物定量构效关系(QS AR )是研究药物生理活性和药物分子结构参数间的量变规律并建立相应的 数学模型,进而研究药物的作用机理,从而用于预测未知化合物的生物活性,探讨药物的作用机理,指导新药的设计和合成,在药物和农药的研究与设计中已经显示出广阔的应用前景1。以往QS AR 的建模方法大多基于统计原理,局限于线性模型,只进行简单的非线性处理,由此所建立的模型很难契合实际构效关系,并且其处理过程都比较繁琐2。神经网络通过学习将构效关系知识隐式分布在网络之中,适用于高度非线性体系。 在药物QS AR 中采用神经网络(NN )始于20世纪80年代末3,此后得到迅速的发展,目前已发展为除多重线性回归和多元数据分析之外的第3种方法4。通常多层前传网络采用BP 算法,通过误差反传,按梯度下降的方向调整权值。其缺点是可能陷入局部极小点,且对高维输入收敛速度非常缓慢。 粒子群优化算法(particle swarm optimization ,PS O )是K ennedy 等5源于对鸟群、鱼群和人类社会行为的研究而发展的一种新的进化型寻优技术。PS O 已成为进化寻优算法研究的热点,其最主要特点是简单、收敛速度快,且所需领域知识少。本实验拟将该方法初始化前传神经网络为苯乙酰胺类农药建立良好适用的QS AR 模型。 2 苯乙酰胺类农药的Q SAR 问题 苯乙酰胺类化合物是除草农药,其除草活性与其分子结构密切相关。所有的N 2(12甲基212苯乙基)苯乙酰胺都可用相应的羧酸酰胺通过霍夫曼反应生成。N 2(12甲基212苯乙基)苯乙酰胺的基本结构式为 : 其中X 为Me 、F 、Cl 、OMe 、CF 3和Br 等,Y 为Me 、Cl 、F 和Br 等,由不同的X 和Y 取代基可构成不同的化合物。常用以下7个理化参数描述化合物的分子组成和结构:log P 、log 2P (疏水性参数及其平方项)、 σ(电性效应参数)、E s (T aft 立体参数)、MR (摩尔折射度),1χ、2 χ(分子连接性指数)。于是这类化合物的QS AR 就转化为上述理化参数与除草活性间的关系。为研究这种关系,选用具有代表性的50个化合物, 他们的活性值取自文献1,见表1。 第32卷2004年12月分析化学(FE NXI H UAX UE ) 研究报告Chinese Journal of Analytical Chemistry 第12期1590～1594 龙源期刊网 https://www.doczj.com/doc/541187642.html, 改进粒子群算法的目标函数变化分类动态优化 作者：苏玉孔国利 来源：《现代电子技术》2017年第07期 摘要：由于优化问题的目标函数和约束条件都随着时间而改变导致其最优值也发生改变，提出一种基于改进粒子群算法的目标函数变化分类动态优化算法。首先对动态优化问题进行定义，明确问题的研究对象，提出对目标函数随时间变化程度分类的思想，通过对变化的函数进行监测的方法将其分为剧烈变化、中等程度变化和弱变化三种类型，并针对不同的强度变化对粒子群算法采用不同的改进策略，最后将不同的策略融入计算。通过采用移动多峰问题进行测试，结果表明，提出的改进粒子群优化算法能监测目标函数变化，并能随时跟踪到最优解，平均离线误差相对于标准粒子群算法更小，性能更稳定。 关键词：粒子群算法；动态优化；目标函数时变分类；移动峰问题 中图分类号： TN911.1?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2017）07?0175?04 Dynamic optimization of objective function changing classification based on improved particle swarm optimization SU Yu， KONG Guoli （College of Information Engineering， Zhongzhou University， Zhengzhou 450001，China） Abstract： The objective function and constraint condition for the optimization problem are changed with time， and may change its optimal value. A dynamic optimization of the objective function changing classification based on improved particle swarm optimization is proposed. The dynamic optimization problem is defined to determine the study object of the problem. The classification thought that the objective function is changed with the time varying degree is put forward. The varying function is divided into the types of drastic change， medium grade change and weak change with the monitoring method. Different strategies are adopted for the particle swarm optimization according to the different intensity changes， and integrated for computation. The algorithm was tested with the moving multi?peak problem. The test results show that the improved particle swarm optimization can monitor the changes of the objective function， track the optimal solution momentarily， its average offline error is smaller than that of the standard particle swarm optimization algorithm， and the performance is more stable.基于改进粒子群算法的优化策略
粒子群算法解决函数优化问题
基于MATLAB的粒子群优化算法的应用示例
(完整word版)基本粒子群算法的原理和matlab程序
混沌粒子群优化算法
基本粒子群算法的matlab源程序
(完整word版)基本粒子群算法的原理和matlab程序.doc
基于Tent混沌序列的粒子群优化算法
基于粒子群优化算法的神经网络在
改进粒子群算法的目标函数变化分类动态优化
相关主题
文本预览