蒲天算法介绍粒子群优化算法(PSO)是一种进化计算技术由Eberhart和Kennedy于1995年提出。启发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.算法介绍pbest:每个个体曾经达到的最好位置gbest:整个群体曾经达到的最好位置w:惯性权重c1,c2:学习因子算法原理个体当前解种群最优解个体最优解xpgpiv实验
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
粒子群算法的本质是利用本身信息、个体极值信息和全局极值3个信息,指导粒子下一步迭代位置。 我们采用遗传算法的思想解决。 (1)w*v项可看作是一种变异操作。 (2)c1*(pbest-x)+c2*(gbest-x)项可看作是一种交叉操作。交叉与变异交叉: P1=(12|3456|789) P2=(98|7654|321) Q1=(12|7654|389) Q2=(98|3456|721)变异: R=(12|3456|789) S=(12|6543|789)实现算法 While(迭代次数<规定迭代次数) do Forj=1:群体总个数 第j个粒子路径C0(j)与gbest交叉得到 C1(j); C1(j)与pbest交叉得到C2(j); 对C2(j)产生变异得到C0(j); EndFor实验结果路程分析时间分析 Benchmark 模拟退火 遗传算法 粒子群优化 最优解 Tsp10 2.691 2.691 2.691 2.691 Tsp20 24.52 24.52 24.52 24.52 Att48 34290 38698 34061 33523 St70 711 856 695 675 Eil76 578 756 567 538 A280 3336 4953 3842 2579 Benchmark 模拟退火 遗传算法 粒子群优化 Tsp10 4.5s 1.6s 0.016s Tsp20 14.6s 28.1s 0.578s Att48 62.7s 154.6s 31.9s St70 85.8s 200.6s 56.1s Eil70 93.3s 215.0s 73.9s性能比较模拟退火遗传算法粒子群优化研究方向 (1)算法分析。PSO在实际应用中被证明是有效的,但目前还没有给出完整收敛性、收敛速度估计等方面的数学证明,已有的工作还远远不够。 (2)参数选择与优化。参数w、c1、c2的选择分别关系粒子速度的3个部分:惯性部分、社会部分和感知部分在搜索中的作用.如何选择、优化和调整参数,使得算法既能避免早熟又能比较快速地收敛,对工程实践有着重要意义。 (3)与其他演化计算的融合。如何将其它演化的优点和PSO的优点相结合,构造出新的混合算法是当前算法改进的一个重要方向。 (4)算法应用。算法的有效性必须在应用中才能体现,广泛地开拓PSO的应用领域,也对深化研究PSO算法非常有意义。网络资源 http://clerc.maurice.free.fr/(Dr.Clerc,FranceTelecom)Thankyou!Email:ptyx960@yahoo.com.cn