《粒子群、野草、风驱三种智能算法基本介绍》由会员分享，可在线阅读，更多相关《粒子群、野草、风驱三种智能算法基本介绍（3页珍藏版）》请在金锄头文库上搜索。
1、粒子群算法（PSO）是一种基于迭代的优化工具，一种基于群体的随机优化技 术。系统初始化为一组随机解,通过迭代搜寻最优值。采用群体解的合作机制来 迭代产生最优解。粒子群算法的优点是概念简单、容易实现 ，需要调节的参数偏 少。其原理是：PSO算法首先初始化一群随机粒子（随机解），在搜索空间中以 一定的速度飞行，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两 个极值来更新自己，第一个就是粒子本身所找到的最优解，另一个极值是整个种 群目前找到的最优解。设第i个粒子为Xi= （xil, Xi2,xid）,它经历的最 好位置（最好的适应值，每个函数都有一个由被优化函数决定的适应度值）用 Pbest
2、 表示,而群体所经过的最好位置用 gbest 表示。粒子速度用 Vi=（vil, vi2,vid）表示。对每一代个体，其第d维（lWdWD）的速度和位置变化 遵循下面公式：呗=% +5F血心（）*（P力一唏）+ S曲皿 WP崗-呵）xid xid _ 唏其中w为惯性权重，cl和c2为加速常数，randl和rand2为在01内变化 的随机函数。此外，粒子的速度vi受最大速度vmax的限制。粒子群算法的流程是： 第一步：初始化一群粒子包括起始位置和速度； 第二步：计算每个粒子的适应度值； 第三步：对每个粒子，将其适应度值与其经历过的最好位置Pbes t作比较， 如果好于后者，则将此时的适应度值作为
3、当前的最好位置Pbes t；第四步：对每个粒子，将其适应度值与全局所经历的最好位置gbest作比较, 如果好于后者，则重新记录的大小gbest；第五步： 先根据第一个方程重新计算粒子的速度，然后根据第二个方程重新 计算粒子位置；第六步： 如果满足结束条件，程序终止，否则跳转到第二步。其次，野草算法QWO）是一种受野草启发而提出的、基于种群的数值优化 计算方法，起执行过程是模拟野草的殖民化过程。即通过四个步骤：初始化种群、 繁殖、空间分布、竞争性生存来完成。其优点是易于理解，易于编程实现。野草算法的执行步骤是：第一步：种群初始化（参数的设置和初始解）； 第二步：对于每个解，确定允许的后代个数；
4、第三步：根据以下公式的限定，在解的每一维进行加减某个数值 D 的操作来产生新的解并评价这些新的解，第四步：如果现有解的数量小于Qsize，执行第二步，否则转第五步； 第五步：根据竞争性生存法则选取 Qsize 个适应值最好的解；第六步：如果iter小于itermax，则转到第二步，否则退出算法并输出最优 解；其流程图为：对于确拌大小、族胖大小、区同數叹菖册大崔働次数妊行设買随机初始化對施种群， 评份蒔个野卑植怵旳盘应世 并保璽最好解悵誓野草适应谊进行酸殖， 产土輛的种子，幷进行輦应世 评价更軒取奸斛唯腸覚辛性生存法卿対感群 權株进行适应值捋序.选址 出适应值最画的Qs个个依最后，风驱算法（WDO）是一种新型的全局优化算法，灵感来源于地球大 气层中的风的运动，风驱优化算法非常适合用于离散和连续值参数的问题。对于 风驱算法来说其研究对象的空气块的速度和位置以如下方式变化：这里有几个系数必须优先选择以开始优化即a, g，RT和c每一次迭代中，所有的空气块的速度和位置都要更新，一旦新的速度由上式算出，新的位置可以由以下公式算出其流程图如下:
