1、粒子群算法
粒子群算法是一種智能優(yōu)化算法。關(guān)于智能,個(gè)人理解,不過(guò)是在枚舉法的基礎(chǔ)上加上了一定的尋優(yōu)機(jī)制。試想一下枚舉法,假設(shè)問(wèn)題的解空間很小,比如一個(gè)函數(shù) y = x^2 ,解空間在[-1,1],現(xiàn)在求這個(gè)函數(shù)的最小值,我們完全可以使用枚舉法,比如在這里,在解空間[-1,1]上,取1000等分,也就是步長(zhǎng)為0.002,生成1000個(gè)x值,然后代入函數(shù)中,找到這1000個(gè)最小的y就可以了。然而實(shí)際情況不是這樣的,比如為什么選1000等分,不是1w,10w等分,很顯然等分的越大,計(jì)算量也就越大,帶來(lái)的解當(dāng)然也就越精確,那么實(shí)際問(wèn)題中如何去平衡這兩點(diǎn)呢?也就是既要計(jì)算量?。ㄋ俣瓤欤?,也要準(zhǔn)確(精度高),這就是智能算法的來(lái)源了,一般的智能算法基本上都是這樣的,在很大的搜索空間上,即保證了速度快,也能比較好的找到最優(yōu)解。
再來(lái)看看粒子群算法(也稱PSO算法),也是一種進(jìn)化算法,模擬生物群體的覓食行為,是一種群體智能算法,類似的算法想遺傳算法,模擬退火算法等等。PSO是通過(guò)當(dāng)前已知種群尋找到的所有解來(lái)決定新的解的尋找方向,也就是新解的生成方式依賴于這些種群歷史上尋找的所有解。
形象的理解比如下圖:
開始隨機(jī)生成一堆種群,那么這些種群之間的每個(gè)個(gè)體可以相互交流,比如下一時(shí)刻,A告訴B說(shuō)我的解比你好,那么B就往A那個(gè)地方飛,也就是B的解朝著A的解方向變化,當(dāng)然所有粒子間都這樣操作,想想一旦粒子群中間有一個(gè)粒子找到了一個(gè)最優(yōu)解,是不是所有的粒子會(huì)一窩蜂朝著這個(gè)方向而去了,而在這個(gè)去的過(guò)程中,萬(wàn)一某個(gè)粒子找到了一個(gè)更好的解,那它還會(huì)走嗎?不會(huì)了,它就告訴剩下的所有粒子說(shuō)我的解更好呀,大家快來(lái)呀(很無(wú)私的),然后所有粒子又一窩蜂的照著這個(gè)粒子方向前進(jìn),當(dāng)然在這個(gè)前進(jìn)的過(guò)程中可能又會(huì)產(chǎn)生新的解,就這樣一步步的迭代,最終慢慢的趨近于一個(gè)最優(yōu)解,這個(gè)解是不是全局最優(yōu)解,不知道,可能是,也可能不是,取決于原始問(wèn)題的復(fù)雜程度,也取決于粒子前進(jìn)的多少等等。
粒子群算法相對(duì)于其他算法來(lái)說(shuō)還是有很多優(yōu)點(diǎn)的,典型的就是計(jì)算速度很快,在每次迭代時(shí),所有粒子同時(shí)迭代,是一種并行計(jì)算方式,而且粒子的更新方式簡(jiǎn)單,朝著一個(gè)優(yōu)秀解方向更新。這個(gè)優(yōu)秀解包括兩個(gè)部分:
1)一個(gè)是朝著自己在迭代的歷史上找到的個(gè)體最優(yōu)解gbest前進(jìn)
2)一個(gè)是朝著群體在得帶歷史上找到的全體最優(yōu)解zbest前進(jìn)
現(xiàn)在還有一個(gè)問(wèn)題就是每次迭代的時(shí)候更新多少呢?也就是自變量的增加步長(zhǎng)了,我們用一個(gè)速度量V來(lái)表示,也就是每個(gè)粒子的更新速度了,公式化的表示就是這樣的:
從上面的速度V的更新而已看到,c1那項(xiàng)就是朝著自己的最優(yōu)解前進(jìn),c2那一項(xiàng)就是朝著全局最優(yōu)解那前進(jìn)。用簡(jiǎn)單的圖表示如下:
2、粒子群的算法步驟
粒子群的核心部分就是上面說(shuō)到的那兩個(gè)公式,一個(gè)是速度的更新方式,另一個(gè)是位置的更新方式,重點(diǎn)還是速度的更新方式;
總結(jié)來(lái)說(shuō),粒子群的算法步驟如下:
- 初始化粒子群個(gè)體;
- 計(jì)算每個(gè)個(gè)體的適應(yīng)度值(函數(shù)值)作為評(píng)判好壞的標(biāo)準(zhǔn);
- 找到每個(gè)個(gè)體自己在所有迭代過(guò)程中的最優(yōu)解Pbest;
- 找到所有個(gè)體在所有迭代過(guò)程中的最優(yōu)解Zbest;
- 根據(jù)速度公式更新速度;
- 根據(jù)位置公式更新位置;
- 重復(fù)步驟二直至迭代次數(shù)結(jié)束
這里有幾個(gè)參數(shù)需要說(shuō)一下,
- 關(guān)于速度V,限制速度的范圍,比如需要設(shè)置一個(gè)最大速度,防止更新過(guò)快;
- 關(guān)于c1與c2,這兩個(gè)參數(shù)代表學(xué)習(xí)因子,決定跟隨歷史優(yōu)秀解的能力;
- 關(guān)于粒子數(shù)與迭代次數(shù),粒子數(shù)一般50-100,迭代次數(shù)視問(wèn)題而定了;
3、Matlab實(shí)現(xiàn)
%% I. 清空環(huán)境
clc
clear
close all
%% II. 繪制目標(biāo)函數(shù)曲線圖
x = 1:0.01:2;
fun = @(x)sin(10 * pi * x) ./ x;
y = fun(x);
figure
plot(x, y)
hold on
%% III. 參數(shù)初始化
c1 = 1.49445;
c2 = 1.49445;
maxgen = 50; % 進(jìn)化次數(shù)
sizepop = 10; %種群規(guī)模
Vmax = 0.5; %速度的范圍,超過(guò)則用邊界值。
Vmin = -0.5;
popmax = 2; %個(gè)體的變化范圍
popmin = 1;
%% IV. 產(chǎn)生初始粒子和速度
for i = 1:sizepop
% 隨機(jī)產(chǎn)生一個(gè)種群
pop(i,:) = (rands(1) + 1) / 2 + 1; %初始種群,rands產(chǎn)生(-1,1),調(diào)整到(1,2)
V(i,:) = 0.5 * rands(1); %初始化速度
% 計(jì)算適應(yīng)度
fitness(i) = fun(pop(i,:));
end
%% V. 個(gè)體極值和群體極值
[bestfitness,bestindex] = max(fitness);
zbest = pop(bestindex,:); %全局最佳
gbest = pop; %個(gè)體最佳
fitnessgbest = fitness; %個(gè)體最佳適應(yīng)度值
fitnesszbest = bestfitness; %全局最佳適應(yīng)度值
%% VI. 迭代尋優(yōu)
for i = 1:maxgen
for j = 1:sizepop
% 速度更新
V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));
V(j,V(j,:) >Vmax) = Vmax;
V(j,V(j,:)< Vmin) = Vmin;
% 種群更新
pop(j,:) = pop(j,:) + V(j,:);
pop(j,pop(j,:) >popmax) = popmax;
pop(j,pop(j,:)< popmin) = popmin;
% 適應(yīng)度值更新
fitness(j) = fun(pop(j,:));
end
for j = 1:sizepop
% 個(gè)體最優(yōu)更新
if fitness(j) > fitnessgbest(j)
gbest(j,:) = pop(j,:);
fitnessgbest(j) = fitness(j);
end
% 群體最優(yōu)更新
if fitness(j) > fitnesszbest
zbest = pop(j,:);
fitnesszbest = fitness(j);
end
end
yy(i) = fitnesszbest;
end
%% VII. 輸出結(jié)果并繪圖
disp([fitnesszbest zbest])
plot(zbest, fitnesszbest,'r*')
figure
plot(yy)
title('最優(yōu)個(gè)體適應(yīng)度','fontsize',12);
xlabel('進(jìn)化代數(shù)','fontsize',12);ylabel('適應(yīng)度','fontsize',12);
結(jié)果如下
動(dòng)畫過(guò)程
-
MATLAB仿真
+關(guān)注
關(guān)注
4文章
175瀏覽量
19841 -
PSO
+關(guān)注
關(guān)注
0文章
49瀏覽量
12881 -
粒子群算法
+關(guān)注
關(guān)注
0文章
63瀏覽量
12995
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論