粒子群算法的边界问题研究
2015-12-30方田
科技视界 2015年13期
关键词:智能
方 田
(中冶华天工程技术有限公司,江苏 南京210019)
0 引言
粒子群算法(Particle Swarm Optimization Algorithm),缩写为PSO,是近年来发展起来的一种新的进化算法。它是Kennedy和Eberhart受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法,1995年IEEE国际神经网络学术会议发表了题为Particle Swarm Optimization的论文,标志着PSO算法诞生。[1]该算法具有很好的生物社会背景,对非线性、多峰问题均具有较强的全局搜索能力,在科学研究与工程实践中得到了广泛的关注和应用。[2]
在粒子群算法的进化计算过程中,经常会遇到被搜索空间边界约束的情况。边界问题理论上并不会对粒子群算法的造成巨大的破坏,但在实际应用中却会造成计算资源的极大浪费。同时,在有限的进化次数限制下,会对算法效果产生较大影响。
本文就粒子群算法的边界问题进行了研究和分析,并提出一些解决方案以供参考。
1 粒子群算法原理
粒子群算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。其生物学模型主要源于生物学家Frank Heppner提出的鸟类栖息模型。[3]社会心理学研究成果揭示了社会性群体中的个体之间会发生信息交流,并产生趋同认知。以鸟群为例,每只飞鸟之间会通过声音或动作交流其个体的认知信息,同时,独立的飞鸟个体会趋向于跟随群体的大方向飞行。这样,每个个体就会在自身经验的基础上,获得了群体的经验知识,增加了觅食的成功率。……
登录APP查看全文
