《matlab的粒子群算法的仿真研究》由会员分享，可在线阅读，更多相关《matlab的粒子群算法的仿真研究（23页珍藏版）》请在金锄头文库上搜索。
1、-范文最新推荐- Matlab的粒子群算法的仿真研究 摘要：在智能计算研究领域，群体智能通过对自然界生命现象的模拟，在不同层次上揭示生命现象和进化规律。粒子群优化作为一种新兴的基于群体智能的启发式全局搜索算法，通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。它具有易理解、易实现、计算简单，全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已经成为发展最快的智能优化算法之一。论文介绍了粒子群优化算法的基本原理，并分析其特点。论文中围绕粒子群优化算法的原理、特点、参数设置与应用等方面进行全面综述，给出算法中的经验参数设置，并针对不同PSO算法采用不同的测试函数检测其寻优性能。最后对其
2、未来的研究方向给出了一些建议与展望。10778关键词：粒子群优化算法；参数设置；最优解 ；matlab；测试函数The simulation research of PSO based on MatlabAbstract: In the flied of intelligence computation, swarm intelligence ,as the artificial intelligence pattern, it open out the living phenomena and evolutional rules in different hierarchies by sim
3、ulating natural living phenomena。Particle swarm optimization which is a newly heuristic swarm intelligence algorithm, implements competition and collaboration to achieve the optical situation in complex searching space. The algorithm is easy to understood, implemented, and simple calculated, its glo
4、bal search ability and other characteristics has attractive for more and more researchers .Therefore, PSO has become one of the most popular intelligent optimization algorithms which developed rapidly in the resent years. This thesis introduces the basic particle swarm optimization theory and analyz
5、e its characteristics , meanwhile the particle swarm optimization principles, characteristics, parameter settings and application. The thesis also adopt classical benchmark functions to detect PSO performance. Finally give the conclusion and its future prospections . 虽然人工生命(AL)领域与人工智能(AI)领域的确有明显的重叠区
6、，但他们有截然不同的初衷和演生史。以研究是否以及如何实现模拟智能的人工智能研究，早在计算机诞生后的初期就已经兴起，然而以试图澄清emergent behaviors的本质的人工生命的研究者们，可以说一直不知其他人在做类似的工作而孤军作战，直到80年代末，这个领域才正式的诞生。群体智能应该遵循五条基本原则:(1) 邻近原则( Proximity Principle)，群体能够进行简单的空间和时间计算；(2) 品质原则(Quality Principle)，群体能够响应环境中的品质因子；(3) 多样性反应原则( Principle of Diverse Response)，群体的行动范围不应该太窄
7、；(4) 稳定性原则(Stability Principle) ，群体不应在每次环境变化时都改变自身的行为；(5) 适应性原则(Adaptability Principle) ，在所需代价不太高的情况下，群体能够在适当的时候改变自身的行为。群体智能具有如下特点:(1) 控制是分布式的,不存在中心控制。因而它更能够适应当前网络环境下的工作状态,并且具有较强的鲁棒性,即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解。(2) 群体中的每个个体都能够改变环境，这是个体之间间接通信的一种方式,这种方式被称为“激发工作”(Stigmergy) 。由于群体智能可以通过非直
8、接通信的方式进行信息的传输与合作,因而随着个体数目的增加,通信开销的增幅较小,因此,它具有较好的可扩充性。(3) 群体中每个个体的能力或遵循的行为规则非常简单,因而群体智能的实现比较方便,具有简单性的特点。(4) 群体表现出来的复杂行为是通过简单个体的交互过程突现出来的智能( Emergent Intelligence) ,因此群体具有自组织性。 经过十余年的发展，PSO算法已经被用来求解大量工程实际问题，如神经网络训练、参数估计、调度优化等。PSO算法已经被应用到人工神经网络（ANN）训练的三个主要方面：网络连接权重、网络结构（网络拓扑、传递函数）、以及网络学习算法。大多数工作集中在网络权重
9、和拓扑结构的演化。在ANN中使用PSO算法替代反向传播（BP）学习算法，结果显示PSO算法在训练ANN中是一种很有前途的方法，在大多数情况下能够更快并获得更好的结果。作为演化神经网络的例子，PSO算法已被成功用来分析人类的帕金森综合症等颤抖类疾病。在信号处理器件设计方面，PSO算法已被用来设计可配置相差分阵列天线、门级组合逻辑电路、IIR数字滤波器、相控天线阵合成、多频共面波导馈入单极天线、电磁吸收材料、以及FIR数字滤波器 。作为一种优化算法，PSO算法被应用到各种参数估计和优化问题中，例如使用PSO算法来优化电力系统稳定装置的参数设置、最优潮流问题、电机优化设计、粗轧宽展控制模型的优化、发
10、电机参数辨识、涡旋体三坐标仪检测数据处理、配电网络重构问题、模糊隶属度函数优化、温度模型优化、切削参数优化、虚拟仪器参数自适应配置、机械零部件可靠性优化设计、设施布局问题。在应用方面PSO算法主要应用与连续问题，但也同时应用于离散问题，比如TSP问题，工作车间跳读问题等，但算法往往难以取得理想化的优化结果。在调度优化方面，PSO算法被用于柔性制造系统调度优化、带时间窗车辆路径问题、车辆路径问题、排列流水作业调度问题、Job-shop调度、混流装配线优化调度、并行多机调度。 自然界中各种生物体均具有一定的群体行为，而人工生命的主要研究领域之一是探索自然界生物的群体行为，从而在计算机上构建其群体模
11、型。自然界中的鸟群和鱼群的群体行为一直是科学家的研究兴趣，生物学家Craig Reynolds在1987年提出了一个非常有影响的鸟群聚集模型，在他的仿真中，每一个个体遵循：(1) 避免与邻域个体相冲撞；(2) 匹配邻域个体的速度；(3) 飞向鸟群中心，且整个群体飞向目标。仿真中仅利用上面三条简单的规则，就可以非常接近的模拟出鸟群飞行的现象。1990年，生物学家Frank Heppner也提出了鸟类模型，它的不同之处在于鸟类被吸引飞到栖息地。在仿真中，一开始每一只鸟都没有特定的飞行目标，只是使用简单的规则确定自己的飞行方向和飞行速度（每一只鸟都试图留在鸟群中而又不相互碰撞），当有一只鸟飞到栖息地
12、时，它周围的鸟也会跟着飞向栖息地，这样，整个鸟群都会落在栖息地。1995年，美国社会心理学家James Kennedy 和电气工程师Russell Eberhart 共同提出了粒子群算法，其基本思想是受对鸟类群体行为进行建模与仿真的研究结果的启发。他们的模型和仿真算法主要对Frank Heppner 的模型进行了修正，以使粒子飞向解空间并在最好解处降落。Kennedy 在他的书中描述了粒子群算法思想的起源。自20世纪30年代以来，社会心理学的发展揭示：我们都是鱼群或鸟群聚集行为的遵循者。在人们的不断交互过程中，由于相互的影响和模仿，他们总会变得更相似，结果就形成了规范和文明。人类的自然行为和鱼
13、群及鸟群并不类似，而人类在高维认知空间中的思维轨迹却与之非常类似。思维背后的社会现象远比鱼群和鸟群聚集过程中的优美动作复杂的多：首先，思维发生在信念空间，其维数远远高于3；其次，当两种思想在认知空间会聚于同一点时，我们称其一致，而不是发生冲突。 2.3 基本粒子群算法流程算法的流程如下：1)初始化粒子群，包括群体规模 ，每个粒子的位置 和速度2)计算每个粒子的适应度值 ；3)对每个粒子，用它的适应度值 和个体极值 比较，如果，则用 替换掉 ；4)对每个粒子，用它的适应度值 和全局极值 比较，如果 则用 替 ；5)根据公式（2.1），（2.2）更新粒子的速度 和位置；6)如果满足结束条件(误差足
14、够好或到达最大循环次数)退出，否则返回2)。图2.1. PSO算法流程图2.4 算法特点1、式(2.1)中第1部分可理解为粒子先前的速度或惯性；第2部份可理解为粒子的“认知”行为，表示粒子本身的思考能力；第3部分可理解为粒子的“社会”行为，表示粒子之间的信息共享与相互合作。公式(2.2) 表示了粒子在求解空间中，由于相互影响导致的运动位置调整。整个求解过程中，惯性权重 、加速因子 和 和最大速度 共同维护粒子对全局和局部搜索能力的平衡。2、粒子群优化算法初期，其解群随进化代数表现了更强的随机性，正是由于其产生了下一代解群的较大的随机性，以及每代所
15、有解的“信息”的共享性和各个解的“自我素质”的提高。3、PSO 的一个优势就是采用实数编码，不需要像遗传算法一样采用二进制编码(或者采用针对实数的遗传操作) 。例如对于问题 求解， 粒子可以直接编码为，而适应度函数就是。4、粒子具有“记 忆”的特性，它们通过“自我”学习和向“他人”学习，使其下一代解有针对性的从“先辈”那里继承更多的信息，从而能在较短的时间内找到最优解。5、与遗传算法相比，粒子群优化算法的信息共享机制是很不同的:在遗传算法中，染色体互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动;在粒子群优化算法中，信息流动是单向的，即只有 将信息给其他的粒子，这使得整个搜索更新过程跟随当前解。 4) 对每个微粒，将其适应值与其经历过得最好位置作比较，如果较好，将其作为当前的最好位置；5) 比较当前所有pbest个gbest的值，更新gb
