粒子群优化算法概念
粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation），源于对鸟群捕食的行为研究。
粒子群优化算法基本思想
粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。
鸟被抽象为没有质量和体积的微粒(点)，并延伸到 N 维空间，粒子 i 在 N 维空间的位置表示为矢量 Xi＝(x1，x2，…，xN)，飞行速度表示为矢量 Vi＝(v1，v2，…，vN)。每个粒子都有一个由目标函数决定的适应值(fitness value)，并且知道自己到目前为止发现的最好位置(pbest)和现在的位置 Xi。这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest)(gbest 是 pbest 中的最好值)，这个可以看作是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。
算法流程
标准 PSO 算法的流程：
- 初始化一群微粒(群体规模为 N)，包括随机位置和速度；
- 评价每个微粒的适应度；
- 对每个微粒，将其适应值与其经过的最好位置 pbest 作比较，如果较好，则将其作为当前的最好位置 pbest；
- 对每个微粒，将其适应值与其经过的最好位置 gbest 作比较，如果较好，则将其作为当前的最好位置 gbest；
- 根据公式(2)、(3)调整微粒速度和位置；
- 未达到结束条件则转第 2）步。
优势
PSO 的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域 。
参考文献
- 基于粒子群算法的动态车间调度问题研究（东华大学·吴再新）
- 基于蚁群算法的WebGIS车辆路径优化系统设计与开发（浙江工业大学·孙沪增）
- 推荐系统中基于进化及网络传播算法的信息核优化（西安电子科技大学·陈维柱）
- 基于GIS的最优路径选择研究（大连海事大学·陈冰岩）
- 基于改进粒子群算法的多模式软件项目调度（南京信息工程大学·徐继勇）
- 基于深度学习的群组推荐算法研究（黑龙江大学·李志超）
- 基于深度学习的群组推荐算法研究（黑龙江大学·李志超）
- 使用进化算法的矢量量化（陕西师范大学·曹凯）
- 基于遗传算法的作业车间调度问题研究（华南理工大学·林彬彬）
- 基于粒子群优化算法的车间调度系统的研究与设计（宁夏大学·李浩）
- 广义粒子群优化算法及其在作业车间调度中的应用研究（华中科技大学·彭传勇）
- 基于蚁群算法的WebGIS车辆路径优化系统设计与开发（浙江工业大学·孙沪增）
- 基于蚁群算法的WebGIS车辆路径优化系统设计与开发（浙江工业大学·孙沪增）
- 基于改进粒子群算法的Job-shop调度优化（青岛理工大学·郭少帅）
- 基于蚁群算法的农业信息采集机器人路径规划研究（东北林业大学·褚凌慧）
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工坊 ，原文地址：https://bishedaima.com/yuanma/35971.html
