没有合适的资源?快使用搜索试试~ 我知道了~
首页群粒子优化(Particle Swarm Optimization,PSO)算法介绍
群粒子优化(Particle Swarm Optimization,PSO)算法介绍

本课件详细介绍了群粒子优化(Particle Swarm Optimization,PSO)算法的来源,基本模型,算法演化过程及其应用领域。
资源详情
资源评论
资源推荐

粒子群算法

群体智能( Swarm Intelligence )
生物学家研究表明:在这些群居生物中虽然每个个体
的智能不高,行为简单,也不存在集中的指挥,但由
这些单个个体组成的群体,似乎在某种内在规律的作
用下,却表现出异常复杂而有序的群体行为。

Swarm Intelligence
Swarm 可被描述为一些相互作用相邻个体的集合
体,蜂群、蚁群、鸟群都是 Swarm 的典型例子。鱼
聚集成群可以有效地逃避捕食者,因为任何一只鱼发
现异常都可带动整个鱼群逃避。蚂蚁成群则有利于寻
找食物,因为任一只蚂蚁发现食物都可带领蚁群来共
同搬运和进食。一只蜜蜂或蚂蚁的行为能力非常有限,
它几乎不可能独立存在于自然世界中,而多个蜜蜂或
蚂蚁形成的 Swarm 则具有非常强的生存能力,且这
种能力不是通过多个个体之间能力简单叠加所获得的。
社会性动物群体所拥有的这种特性能帮助个体很好地
适应环境,个体所能获得的信息远比它通过自身感觉
器官所取得的多,其根本原因在于个体之间存在着信
息交互能力。

蚁群算法
蚁群算法( Ant Colony Optimization, ACO )由 Col
orni , Dorigo 和 Maniezzo 在 1991 年提出,它是通
过模拟自然界蚂蚁社会的寻找食物的方式而得出的一
种仿生优化算法。自然界种蚁群寻找食物时会派出一
些蚂蚁分头在四周游荡,如果一只蚂蚁找到食物,它
就返回巢中通知同伴并沿途留下“信息素”( pheromon
e ) 作为蚁群前往食物所在地的标记。 信息素会逐
渐挥发,如果两只蚂蚁同时找到同一食物,又采取不
同路线回到巢中,那么比较绕弯的一条路上信息素的
气味会比较淡,蚁群将倾向于沿另一条更近的路线前
往食物所在地。

蚁群算法 ( 续 )
ACO 算法设计虚拟的“蚂蚁”,让它们摸索不同路线,
并留下会随时间逐渐消失的虚拟“信息素”。根据
“信息素较浓的路线更近”的原则,即可选择出最
佳路线。
目前, ACO 算法已被广泛应用于组合优化问
题中,在图着色问题、车间流问题、车辆调度问
题、机器人路径规划问题、路由算法设计等领域
均取得了良好的效果。也有研究者尝试将 ACO 算
法应用于连续问题的优化中。由于 ACO 算法具有
广泛实用价值,成为了群智能领域第一个取得成
功的实例,曾一度成为群智能的代名词,相应理
论研究及改进算法近年来层出不穷。
剩余43页未读,继续阅读


















安全验证
文档复制为VIP权益,开通VIP直接复制

评论5