2004 年 5 月
第 6 卷第 5 期
中国工程科学
Engineering Science
May. 2004
Vol16 No15
综 合 述 评
[收稿日期] 2003 - 08 - 05 ; 修回日期 2003 - 09 - 08
[基金项目] “八六三”高技术资助项目
(
2001AA413420
)
, 山东省自然科学基金资助项目
(
2003G01
)
[作者简介] 杨 维
(
1978 -
)
, 女
(
满族
)
, 山东济南市人 , 山东大学控制科学与工程学院硕士研究生
粒子群优化算法综述
杨 维 , 李歧强
(
山东大学控制科学与工程学院 , 济南 250061
)
[摘要] 粒子群优化
(
PSO
)
算法是一种新兴的优化技术 , 其思想来源于人工生命和演化计算理论 。PSO 通
过粒子追随自己找到的最好解和整个群的最好解来完成优化 。该算法简单易实现 , 可调参数少 , 已得到广泛研
究和应用。详细介绍了 PSO 的基本原理、各种改进技术及其应用等 , 并对其未来的研究提出了一些建议。
[关键词]
群体智能 ; 演化算法 ; 粒子群优化
[中图分类号]
TP30116
[文献标识码]
A
[文章编号]
1009 - 1742
(
2004
)
05 - 0087 - 08
1 前言
从 20 世纪 90 年代初 , 就产生了模拟自然生物
群体
(
swarm
)
行为的优化技术。Dorigo 等从生物
进化的机理中受到启发 , 通过模拟蚂蚁的寻径行
为 , 提出了蚁群优化方法 ; Eberhart 和 Kennedy 于
1995 年提出的粒子群优化算法是基于对鸟群、鱼
群的模拟。这些研究可以称为群体智能
(
swarm
intelligence
)
。通常单个自然生物并不是智能的 ,
但是整个生物群体却表现出处理复杂问题的能力 ,
群体智能就是这些团体行为在人工智能问题中的应
用。粒子群优化
(
PSO
)
最初是处理连续优化问题
的 , 目前其应用已扩展到组合优化问题
[1 ]
。由于
其简单、有效的特点 , PSO 已经得到了众多学者
的重视和研究。
2 PSO 基本原理
211 基本 PSO 原理
粒子群优化算法是基于群体的演化算法 , 其思
想来源于人工生命和演化计算理论。Reynolds 对鸟
群飞行的研究发现 , 鸟仅仅是追踪它有限数量的邻
居 , 但最终的整体结果是整个鸟群好像在一个中心
的控制之下 , 即复杂的全局行为是由简单规则的相
互作用引起的。PSO 即源于对鸟群捕食行为的研
究 , 一群鸟在随机搜寻食物 , 如果这个区域里只有
一块食物 , 那么找到食物的最简单有效的策略就是
搜寻目前离食物最近的鸟的周围区域。PSO 算法
就是从这种模型中得到启示而产生的 , 并用于解决
优化问题。另外 , 人们通常是以他们自己及他人的
经验来作为决策的依据 , 这就构成了 PSO 的一个
基本概念。
PSO 求解优化问题时 , 问题的解对应于搜索
空间 中 一 只 鸟 的 位 置 , 称 这 些 鸟 为 “粒 子”
(
particle
)
或“主体”
(
agent
)
。每个粒子都有自己
的位置和速度
(
决定飞行的方向和距离
)
, 还有一
个由被优化函数决定的适应值。各个粒子记忆、追
随当前的最优粒子 , 在解空间中搜索。每次迭代的
过程不是完全随机的 , 如果找到较好解 , 将会以此
为依据来寻找下一个解。
令 PSO 初始化为一群随机粒子
(
随机解
)
, 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好解 , 叫做
个体极值点
(
用 pbest 表示其位置
)
, 全局版 PSO
中的另一个极值点是整个种群目前找到的最好解 ,
© 1995-2006 Tsinghua Tongfang Optical Disc Co., Ltd. All rights reserved.