首页 理论教育粒子群算法特点及优势分析

粒子群算法特点及优势分析

【摘要】:粒子群算法的优势在于它的算法简单、 易于实现, 可调参数少, 收敛速度快、 求解快, 可以用于大规模的优化模型中; 基于记忆的特点, 可以对以往产生的最优位置进行保存。公式(6-2)表示了粒子的位置是由上个时刻位置与上个时刻粒子的运动所共同影响的。在粒子群算法的整个过程中, 惯性权重w、 r1、 r2 和最大速度Vmax 对算法的搜索能力和性能影响很大。

粒子群算法的优势在于它的算法简单、 易于实现, 可调参数少, 收敛速度快、 求解快, 可以用于大规模的优化模型中; 基于记忆的特点, 可以对以往产生的最优位置进行保存。

从公式(6-1)中可以发现, 粒子的新的飞行速度由三部分决定:一是“惯性”部分, 由自身前一个运动时刻的运动惯性乘以一个权值, 表示了粒子对自身当前的运动状态的信任; 二是“认知”部分,粒子通过自身的“思考”, 结合自身经验(出现过的最佳位置), 对下一个飞行速度加以影响; 三是“社会”部分, 由整个群体的运动经验引起的, 粒子飞行对速度选择的时候同样可以分享粒子群的信息, 当模型在加强某一个行为的时候, 就增强了该行为的实施概率, 粒子本身也是在模仿其他粒子。 公式(6-2)表示了粒子的位置是由上个时刻位置与上个时刻粒子的运动所共同影响的。

在粒子群算法的整个过程中, 惯性权重w、 r1、 r2 和最大速度Vmax 对算法的搜索能力和性能影响很大。 惯性权重w 决定了粒子对于运动惯性的保持性能, 决定了上次运动速度对本次运动速度的影响程度; 加速常数r1 和r2 是粒子朝pbest 和gbest 两个位置运动的权重值, 较小的r1、 r2 值可以允许粒子在运动到最优位置前, 在目标区域外不断徘徊, 较大的r1、 r2 值则会突然导致粒子朝最优位置方向运动; Vmax代表了粒子当前位置和最优位置之间的精度或分辨率, 如果Vmax过小, 会导致粒子只能在局部最优区间进行搜索,只能得到局部最优解, 而Vmax过大, 会导致粒子突然飞过最优解。