粒子群算法基本理论

粒子群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。
6.1 粒子群算法的概述
6.1.2 粒子群算法的发展
萌芽 学专家 Craig Reynolds提出了简单的 人工生命系统——boid模型（解释为 bird like object），模拟了鸟类在飞行 过程中分离、列队和聚集三种聚群飞 行行为，并能感知到周围一定范围内 其他boid的飞行信息。boid根据该信 息，结合当前自身的飞行状态，在三 条简单行为规则的指导下，做出下一 步的飞行决策。
社会心理学家 James Kennedy博士
电气工程师 Russell Eberhart博士
6.1 粒子群算法的概述
1998年，Yuhui Shi和Russell Eberhart在IEEE Congress on Evolution-ary Computation（69~73）上发表了题为A modified particle swarm optimizer的学术论文，首次对基本 粒子群算法引入惯性权重修正了速度更新公式，修正后的公 式已经为大多数研究者所使用。
Craig Reynolds 生于1953年3月15日
6.1 粒子群算法的概述
避免碰撞：飞离最近的个体，以避免碰撞；
速度一致：和邻近的个体的平均速度保持一致；
向中心聚集：飞向群体的中心，向邻近个体的平均位 置移动。
1990年，生物学家Frank Heppner建立了鸟类模型。一 群小鸟为找到合适的栖息地在空中飞行 ，当群体中的一只发现较为合适的栖 息地时，它会毫不犹豫地飞向这个栖 息地，同时也将信息传给周围的小鸟 ，使周围的小鸟快速来到这里，最终 把整个群体吸引到合适的栖息地。
[2] Eberhart R，Kennedy J，A new optimizer using particle swarm theory，Proceeding of the 6th International Symposium on Micro-Machine and Human Science， 1995，39~43
2004年，IEEE Transactions on Evolutionary Computation出版了PSO算法专刊。
PSO算法作为一种新兴智能仿生算法，目前还没有完备 的数学理论基础，但作为新兴优化算法已在诸多领域得到广 泛应用。
6.1 粒子群算法的概述
6.1.3 粒子群算法的特点
粒子群算法的优点 ① 粒子群算法依靠粒子速度完成搜索，在迭代进化中只 有最优的粒子将信息传递给其他粒子，搜索速度快。 ② 粒子群算法具有记忆性，粒子群体的历史最好位置可 以记忆，并传递给其他粒子。 ③ 需调整的参数较少，结构简单，易于工程实现。 ④ 采用实数编码，直接由问题的解决定，问题解的变量 数直接作为粒子的维数。
第6章 粒子群算法基本理论
6.1 粒子群算法的概述
6.1.1 粒子群算法的概念 6.1.2 粒子群算法的发展
6.1.3 粒子群算法的特点 6.1.4 粒子群算法的分类
6.2 粒子群算法的基本原理
6.2.1 生物学机理
6.2.2 传统PSO算法原理
6.2.3 标准PSO算法原理 6.2.4 PSO算法流程
6.2.5 全局和局部最优PSO算法 6.2.6 PSO算法参数分析
6.3 粒子群算法与其他算法的比较
6.3.1 与遗传算法的比较 6.3.2 与蚁群算法的比较
6.4 粒子群算法的应用
6.5 粒子群算法的研究方向
6.1 粒子群算法概述
6.1 粒子群算法概述
6.1.1 粒子群算法的概念
粒子群优化算法（Particle Swarm Optimization，简称 PSO）又称为粒子群算法、微粒算法，是通过模拟鸟类群体 觅食行为而发展起来的一种基于群体协作的随机搜索算法， 属于启发式全局优化算法。
6.1 粒子群算法的概述
发展阶段 1995年，美国社会心理学家James Kennedy博士和电气 工程师Russell Eberhart博士根据对鸟群捕食行为的研究， 提出了粒子群算法。分别在日本和澳大利亚召开的两个国际 会议上发表了两篇文章，标志着粒子群算法的诞生。
[1] Kennedy J，Eberhart R，Particle swarm optimization， Proceeding of the IEEE International Conference on Neural Networks，1995，1942~1948
6.1 粒子群算法的概述
2001年，由J.Kennedy、 R.C.Eberhart、Yuhui Shi合著 的第一本关于PSO的专著《Swarm Intelligence》在美国旧 金山（San Francisco）Morgan Kaufmann Publishers出版。
2003年，第一届群智能研讨会IEEE Swarm Intelligence Symposium在美国的Indianapolis（印第安纳波利斯）召开， 此后每年召开一次。
6.1 粒子群算法的概述
粒子群算法的缺点 ① 容易陷入局部最优，导致收敛精度低和不易收敛。 ② 不能有效解决离散及组合优化问题。
6.1 粒子群算法的概述
6.1.4 粒子群算法的分类
按照发展历程分类 一般分为传统粒子群算法和标准粒子群算法。前者于 1995年提出，后者于1998年改进，两者之差仅为有无惯性权 重因子。 根据粒子邻域分类 一般分为全局最优粒子群算法和局部最优粒子群算法， 目前主要有两种分类方法。
从1998年开始，进化计算领域的著名会议IEEE CEC （Congress on Evolutionary Computation，国际进化计算会 议）开始设置PSO算法的专题讨论，与计算智能相关的重要 国际会议PPSN（Parallel Problem Solving from Neture）和 GECCO（Gen-etic and Evolutionary Computation Conference）都将PSO算法作为会议主题之一。