遺傳演算法
人工神經網路演算法
模擬退火演算法
那麼:找到食物的最優策略是什麼呢？
搜尋目前離食物最近的鳥的周圍區域
根據自己飛行的經驗判斷食物的所在
pso正是從這種模型中得到了啟發。
定義通常，在第d（1≤d≤d）維的位置變化範圍限定在[xm
in,d
,xma
x,d]
[x_, x_]
[xmin,
d,x
max,
d]速度變化範圍限定在[−v
max,
d,vm
ax,d
][-v_,v_]
[−vmax
,d,
vmax
,d]
內（即在迭代中若vid
,xid
v_, x_
vid,x
id超出了邊界值，則該維的速度或位置被限制為該維最大速度或邊界位置） 迭代
粒子速度更新公式包含三部分：initial：
初始化粒子群體（群體規模為n），包括隨機位置和速度。
evaluation：
根據fitness function ，評價每個粒子的適應度。
find the pbest：
對每個粒子，將其當前適應值與其個體歷史最佳位置（pbest）對應的適應值做比較，如果當前的適應值更高，則將用當前位置更新歷史最佳位置pbest。
find the gbest：
對每個粒子，將其當前適應值與全域性最佳位置（gbest）對應的適應值做比較，如果當前的適應值更高，則將用當前粒子的位置更新全域性最佳位置gbest。
update the velocity：
根據公式更新每個粒子的速度與位置。
如未滿足結束條件，則返回步驟2,通常演算法達到最大迭代次數gma
xg_gmax
或者最佳適應度值的增量小於某個給定的閾值時演算法停止。
權重因子（慣性因子ω
\omega
ω，及學習因子c1,
c2c_1,c_2
c1,c2
）vidk
=wvi
dk−1
+c1r
1(pb
esti
d−xi
dk−1
)+c2
r2(g
best
d−xi
dk−1
)v_^k = wv^_+c_1r_1(pbest_-x^_)+c_2r_2(gbest_d-x^_)
vidk=
wvid
k−1
+c1
r1(
pbes
tid
−xid
k−1
)+c2
r2
(gbe
std
−xid
k−1
) 自我認知部分：c1r
1(pb
esti
d−xi
dk−1
)c_1r_1(pbest_-x^_)
c1r1
(pbe
stid
−xi
dk−1
)社會經驗部分：c2r
2(gb
estd
−did
k−1)
c_2r_2(gbest_d-d^_)
c2r2
(gbe
std
−did
k−1
)
最大速度v
mv_mvm
領域拓撲結構
全域性粒子群演算法
區域性粒子群演算法
鄰域隨迭代次數的增加線性變大，最後鄰域擴充套件到整個粒子群。
經過實踐證明：全域性版本的粒子群演算法收斂速度快，但是容易陷入區域性最優。區域性版本的粒子群演算法收斂速度慢，但是很難陷入區域性最優。現在的粒子群演算法大都在收斂速度與擺脫區域性最優這兩個方面下功夫。其實這兩個方面是矛盾的。看如何更好的折中了。
停止準則
粒子空間的初始化
粒子群優化演算法 粒子群演算法
粒子群演算法 particle swarm optimization，pso 屬於進化演算法的一種，該演算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智慧型建立的乙個簡化模型。粒子群演算法在對動物集群活動行為觀察基礎上，利用群體中的個體對資訊的共享使整個群體的運動在問題求解空間中產生從無序到有...
粒子群演算法
如前所述，pso模擬鳥群的捕食行為。設想這樣乙個場景 一群鳥在隨機搜尋食物。在這個區域裡只有一塊食物。所有的鳥都不知道食物在那裡。但是他們知道當前的位置離食物還有多遠。那麼找到食物的最優策略是什麼呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區域。pso從這種模型中得到啟示並用於解決優化問題。ps...
粒子群演算法
一 粒子群演算法的歷史 粒子群演算法源於複雜適應系統 complex adaptive system,cas cas理論於1994年正式提出，cas中的成員稱為主體。比如研究鳥群系統，每個鳥在這個系統中就稱為主體。主體有適應性，它能夠與環境及其他的主體進行交流，並且根據交流的過程 學習 或 積累經驗...