粒子群优化算法综述介绍

龙源期刊网

粒子群算法优化方法综述

作者：尚衍亮

来源：《山东青年》2017年第01期

摘要：粒子群算法（pso）是一种基于群体智能的进化算法，具有实现容易，精度高，收敛快等优点，本文就粒子群算法（pso）的优化方面进行综述。并对目前的应用研究方向进行总结。

关键词：粒子群算法；粒子群算法优化； PSO

一、粒子群算法的背景

粒子群算法（ Particle Swarm Optimization， PSO）最早是由Eberhart和Kennedy于1995年提出。该算法从鸟群的觅食活动中得到启发并用于求解优化问题。

二、算法简介

该算法主要模拟鸟群的觅食行为，假设一个有n只鸟（粒子）组成的鸟群（群体）对D维的空间进行觅食，每只鸟在飞行的时候，既要考虑到自己的当前最优位置，也要也考虑鸟群的最优位置，在算法实现时加入了c1和c2两个量。c1是粒子个体认知系数，称为“认知学习因子”。c2是社会认知系数，所以又叫做“社会学习因子”。两者统称为“学习因子”。下面给出粒子群算法的速度以及位置更新公式：

除了以上4种，还有其他针对的学习因子进行优化的方法，例如带有权重函数学习因子[12]；三角函数变化学习因子[13]；非对称学习因子[14]等等。

四、粒子群算法的应用

例如将其应用到各类连续问题和离散问题的优化，包括模糊控制器设计，机器人路径规划，信号处理和模式识别，将其应用到神经网络的训练中，将其应用到各种实际问题中，包括车间调度，TSP，VRP，配电网络，农业工程等各种实际问题中。

五、粒子群算法展望

随着各种优化过后的粒子群算法的提出，例如MOPSO（多目标粒子群算法），DMPSO（动态多目标粒子群优化算法），SMOPSO（随机多目标粒子群算法），CMPSO（混沌变异粒子群算法），粒子群算法将会应用到更多的实际当中去。因为粒子群算法本身存在易陷入局部最优，因此如何将其与其他智能算法结合，取长补短，也将会成为一大趋势。

粒子群算法综述

【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，已得到广泛研究和应用。为了进一步推广应用粒子群算法并为深入研究该算法提供相关资料，本文对目前国内外研究现状进行了全面分析，在论述粒子群算法基本思想的基础上，围绕pso的运算过程、特点、改进方式与应用等方面进行了全面综述，并给出了未来的研究方向展望。

【关键词】：粒子群算法 优化 综述

优化理论的研究一直是一个非常活跃的研究领域。它所研究的问题是在多方案中寻求最优方案。人们关于优化问题的研究工作，随着历史的发展不断深入，对人类的发展起到了重要的推动作用。但是，任何科学的进步都受到历史条件的限制，直到二十世纪中期，由于高速数字计算机日益广泛应用，使优化技术不仅成为迫切需要，而且有了求解的有力工具。因此，优化理论和算法迅速发展起来，形成一门新的学科。至今已出现线性规划、整数规划、非线性规划、几何规划、动态规划、随机规划、网络流等许多分支。这些优化技术在诸多工程领域得到了迅速推广和应用，如系统控制、人工智能、生产调度等。随着人类生存空间的扩大，以及认识世界和改造世界范围的拓宽，常规优化法如牛顿法、车辆梯度法、模式搜索法、单纯形法等已经无法处理人们所面的复杂问题，因此高效的

优化算法成为科学工作者的研究目标之一。

1.粒子群算法的背景

粒子群算法(particle swarm optimization，pso)是一种新兴的演化算法。该算法是由j.kennedy和r.c.eberhart于1995年提出的一种基于群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习(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。

本文由【中文word文档库】 搜集整理。中文word文档库免费提供海量教学资料、行业资料、范文模板、应用文书、考试学习和社会经济等word文档

目 录

前 言 ....................................................... 1

第一章 概述 ................................................. 2

1.1 引言 .................................................. 2

1.2 研究背景 ............................................... 2

1.2.1 人工生命计算 ......................................... 2

1.2.2 粒子群算法与遗传算法 .................................. 3

1.2.3 人工神经网络与粒子群优化算法 .......................... 3

第二章 粒子群优化算法 ........................................ 5

2.1 基本粒子群优化算法 ..................................... 5

2.2 算法流程 ............................................... 5

2.3 基本粒子群优化算法的缺点及改进方法 ...................... 6

2.3.1 基本粒子群优化算法的缺点 .............................. 6

2.3.2 几种改进算法 ......................................... 6

粒子群优化算法介绍

粒子群优化算法（Particle Swarm Optimization，PSO）是一种基于群体智能的优化方法，其中包含了一组粒子（代表潜在解决方案）在n维空间中进行搜索，通过找到最优解来优化某个问题。在PSO的过程中，每个粒子根据自身当前的搜索位置和速度，在解空间中不断地寻找最优解。同时，粒子也会通过与周围粒子交换信息来寻找更好的解。这种信息交换模拟了鸟群或鱼群中的信息交流行为，因此PSO算法也被称为群体智能算法。

由于其并行搜索和对局部最优解的较好处理，PSO算法在多个领域均得到了广泛应用。其中最常用的应用之一是在神经网络和其他机器学习算法中用来寻找最优解。此外，PSO算法在图像处理、数据挖掘、机器人控制、电力系统优化等领域也有着广泛的应用。

PSO算法的核心是描述每个粒子的一组速度和位置值，通常使用向量来表示。在PSO的初始化阶段，每个粒子在解空间中随机生成一个初始位置和速度，并且将其当前位置作为当前最优解。然后，每个粒子在每次迭代（即搜索过程中的每一次）中根据当前速度和位置，以及粒子群体中的最优解和全局最优解，更新其速度和位置。PSO算法的重点在于如何更新各个粒子的速度向量，以期望他们能够快速、准确地达到全局最优解。

总之, PSO算法是一种群体智能算法，目的是通过模拟粒子在解空间中的移动来优化某个问题。由于其简单、有效且易于实现，因此PSO算法在多个领域得到了广泛应用。