正文

粒子群算法實際應(yīng)用（粒子群算法實際應(yīng)用有哪些）

發(fā)布時間：2023-04-13 16:13:01 稿源：創(chuàng)意嶺閱讀： 65

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于粒子群算法實際應(yīng)用的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、粒子群算法為什么具有全局搜索能力
2、遺傳算法、粒子群算法、蟻群算法，各自優(yōu)缺點和如何混合？請詳細點謝謝
3、粒子群算法的和PSO
4、離散粒子群優(yōu)化算法的背景和意義是什么

粒子群算法實際應(yīng)用（粒子群算法實際應(yīng)用有哪些）

一、粒子群算法為什么具有全局搜索能力

粒子群算法中每個粒子都記憶自己的最好位置，即從進化開始到現(xiàn)在這個粒子能使目標函數(shù)達到最大或是最小的那個時刻粒子的位置。個體極值就是粒子在最好位置所得到的目標函數(shù)的值。全局極值就是在所有粒子的個體極值中最大或是最小的那個值，與只對應(yīng)的就是全局最優(yōu)粒子的位置。對有約束的優(yōu)化函數(shù)，一般是將約束條件加入到目標函數(shù)中，然后計算總體的值，以此來作為評價標準。

粒子群算法，也稱粒子群優(yōu)化算法（Particle Swarm Optimization），縮寫為 PSO，是近年來發(fā)展起來的一種新的進化算法(Evolutionary Algorithm - EA)。PSO 算法屬于進化算法的一種，和模擬退火算法相似，它也是從隨機解出發(fā)，通過迭代尋找最優(yōu)解，它也是通過適應(yīng)度來評價解的品質(zhì)，但它比遺傳算法規(guī)則更為簡單，它沒有遺傳算法的“交叉”(Crossover) 和“變異”(Mutation) 操作，它通過追隨當前搜索到的最優(yōu)值來尋找全局最優(yōu)。這種算法以其實現(xiàn)容易、精度高、收斂快等優(yōu)點引起了學術(shù)界的重視，并且在解決實際問題中展示了其優(yōu)越性。粒子群算法是一種并行算法。

二、遺傳算法、粒子群算法、蟻群算法，各自優(yōu)缺點和如何混合？請詳細點謝謝

遺傳算法適合求解離散問題，具備數(shù)學理論支持，但是存在著漢明懸崖等問題。

粒子群算法適合求解實數(shù)問題，算法簡單，計算方便，求解速度快，但是存在著陷入局部最優(yōu)等問題。

蟻群算法適合在圖上搜索路徑問題，計算開銷會大。

要將三種算法進行混合，就要針對特定問題，然后融合其中的優(yōu)勢，比如將遺傳算法中的變異算子加入粒子群中就可以形成基于變異的粒子群算法。

三、粒子群算法的和PSO

人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬大腦分析過程的簡單數(shù)學模型，誤差反向傳播算法是最流行的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。近來也有很多研究開始利用演化計算(evolutionary computation)技術(shù)來研究人工神經(jīng)網(wǎng)絡(luò)的各個方面。

演化計算可以用來研究神經(jīng)網(wǎng)絡(luò)的三個方面：網(wǎng)絡(luò)連接權(quán)重，網(wǎng)絡(luò)結(jié)構(gòu)(網(wǎng)絡(luò)拓撲結(jié)構(gòu)，傳遞函數(shù))，網(wǎng)絡(luò)學習算法。

不過大多數(shù)這方面的工作都集中在網(wǎng)絡(luò)連接權(quán)重，和網(wǎng)絡(luò)拓撲結(jié)構(gòu)上。在GA中，網(wǎng)絡(luò)權(quán)重和/或拓撲結(jié)構(gòu)一般編碼為染色體(Chromosome)，適應(yīng)函數(shù)(fitness function)的選擇一般根據(jù)研究目的確定。例如在分類問題中，錯誤分類的比率可以用來作為適應(yīng)值

演化計算的優(yōu)勢在于可以處理一些傳統(tǒng)方法不能處理的例子例如不可導(dǎo)的節(jié)點傳遞函數(shù)或者沒有梯度信息存在。但是缺點在于：在某些問題上性能并不是特別好。2. 網(wǎng)絡(luò)權(quán)重的編碼而且遺傳算子的選擇有時比較麻煩

最近已經(jīng)有一些利用PSO來代替反向傳播算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的論文。研究表明PSO 是一種很有潛力的神經(jīng)網(wǎng)絡(luò)算法。PSO速度比較快而且可以得到比較好的結(jié)果。而且還沒有遺傳算法碰到的問題這里用一個簡單的例子說明PSO訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程。這個例子使用分類問題的基準函數(shù)(Benchmark function)IRIS數(shù)據(jù)集。(Iris 是一種鳶尾屬植物) 在數(shù)據(jù)記錄中，每組數(shù)據(jù)包含Iris花的四種屬性：萼片長度，萼片寬度，花瓣長度，和花瓣寬度，三種不同的花各有50組數(shù)據(jù). 這樣總共有150組數(shù)據(jù)或模式。

我們用3層的神經(jīng)網(wǎng)絡(luò)來做分類?，F(xiàn)在有四個輸入和三個輸出。所以神經(jīng)網(wǎng)絡(luò)的輸入層有4個節(jié)點，輸出層有3個節(jié)點我們也可以動態(tài)調(diào)節(jié)隱含層節(jié)點的數(shù)目，不過這里我們假定隱含層有6個節(jié)點。我們也可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)中其他的參數(shù)。不過這里我們只是來確定網(wǎng)絡(luò)權(quán)重。粒子就表示神經(jīng)網(wǎng)絡(luò)的一組權(quán)重，應(yīng)該是4*6+6*3=42個參數(shù)。權(quán)重的范圍設(shè)定為[-100，100] (這只是一個例子，在實際情況中可能需要試驗調(diào)整).在完成編碼以后，我們需要確定適應(yīng)函數(shù)。對于分類問題，我們把所有的數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的權(quán)重有粒子的參數(shù)決定。然后記錄所有的錯誤分類的數(shù)目作為那個粒子的適應(yīng)值?，F(xiàn)在我們就利用PSO來訓(xùn)練神經(jīng)網(wǎng)絡(luò)來獲得盡可能低的錯誤分類數(shù)目。PSO本身并沒有很多的參數(shù)需要調(diào)整。所以在實驗中只需要調(diào)整隱含層的節(jié)點數(shù)目和權(quán)重的范圍以取得較好的分類效果。

粒子群算法實際應(yīng)用（粒子群算法實際應(yīng)用有哪些）

四、離散粒子群優(yōu)化算法的背景和意義是什么

定義粒子群優(yōu)化算法(Particle Swarm optimization,PSO)又翻譯為粒子群算法、微粒群算法、或微粒群優(yōu)化算法。是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機搜索算法。通常認為它是群集智能 (Swarm intelligence, SI) 的一種。它可以被納入多主體優(yōu)化系統(tǒng) (Multiagent Optimization System, MAOS). 粒子群優(yōu)化算法是由Eberhart博士和kennedy博士發(fā)明。PSO模擬鳥群的捕食行為PSO模擬鳥群的捕食行為。一群鳥在隨機搜索食物，在這個區(qū)域里只有一塊食物。所有的鳥都不知道食物在那里。但是他們知道當前的位置離食物還有多遠。那么找到食物的最優(yōu)策略是什么呢。最簡單有效的就是搜尋目前離食物最近的鳥的周圍區(qū)域。從模型中得到的啟示PSO從這種模型中得到啟示并用于解決優(yōu)化問題。PSO中，每個優(yōu)化問題的解都是搜索空間中的一只鳥。我們稱之為“粒子”。所有的粒子都有一個由被優(yōu)化的函數(shù)決定的適應(yīng)值(fitnessvalue)，每個粒子還有一個速度決定他們飛翔的方向和距離。然后粒子們就追隨當前的最優(yōu)粒子在解空間中搜索。PSO初始化PSO初始化為一群隨機粒子(隨機解)，然后通過疊代找到最優(yōu)解，在每一次疊代中，粒子通過跟蹤兩個“極值”來更新自己。第一個就是粒子本身所找到的最優(yōu)解，這個解叫做個體極值pBest，另一個極值是整個種群目前找到的最優(yōu)解，這個極值是全局極值gBest。另外也可以不用整個種群而只是用其中一部分最優(yōu)粒子的鄰居，那么在所有鄰居中的極值就是局部極值。編輯本段算法介紹在找到這兩個最優(yōu)值時, 粒子根據(jù)如下的公式來更新自己的速度和新的位置v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a)present[] = persent[] + v[] (b)v[] 是粒子的速度, persent[] 是當前粒子的位置. pbest[] and gbest[] 如前定義 rand () 是介于（0， 1）之間的隨機數(shù). c1, c2 是學習因子. 通常 c1 = c2 = 2.程序的偽代碼如下For each particle____Initialize particleENDDo____For each particle________Calculate fitness value________If the fitness value is better than the best fitness value (pBest) in history____________set current value as the new pBest____End____Choose the particle with the best fitness value of all the particles as the gBest____For each particle________Calculate particle velocity according equation (a)________Update particle position according equation (b)____EndWhile maximum iterations or minimum error criteria is not attained在每一維粒子的速度都會被限制在一個最大速度Vmax，如果某一維更新后的速度超過用戶設(shè)定的Vmax，那么這一維的速度就被限定為Vmax。編輯本段遺傳算法和PSO的比較共同點①種群隨機初始化。②對種群內(nèi)的每一個個體計算適應(yīng)值(fitness value)。適應(yīng)值與最優(yōu)解的距離直接有關(guān)。③種群根據(jù)適應(yīng)值進行復(fù)制。④如果終止條件滿足的話，就停止，否則轉(zhuǎn)步驟② 。從以上步驟，我們可以看到PSO和遺傳算法有很多共同之處。兩者都隨機初始化種群，而且都使用適應(yīng)值來評價系統(tǒng)，而且都根據(jù)適應(yīng)值來進行一定的隨機搜索。兩個系統(tǒng)都不是保證一定找到最優(yōu)解。但是，PSO沒有遺傳操作如交叉(crossover)和變異(mutation)，而是根據(jù)自己的速度來決定搜索。粒子還有一個重要的特點，就是有記憶。不同點與遺傳算法比較，PSO的信息共享機制是很不同的。在遺傳算法中，染色體(chromosomes)互相共享信息，所以整個種群的移動是比較均勻的向最優(yōu)區(qū)域移動。在PSO中, 只有g(shù)Best (orlBest) 給出信息給其他的粒子，這是單向的信息流動。整個搜索更新過程是跟隨當前最優(yōu)解的過程。與遺傳算法比較, 在大多數(shù)的情況下，所有的粒子可能更快的收斂于最優(yōu)解。編輯本段人工神經(jīng)網(wǎng)絡(luò)和PSO定義人工神經(jīng)網(wǎng)絡(luò)(ANN)是模擬大腦分析過程的簡單數(shù)學模型，反向轉(zhuǎn)播算法是最流行的神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。進來也有很多研究開始利用演化計算(evolutionary computation)技術(shù)來研究人工神經(jīng)網(wǎng)絡(luò)的各個方面。研究方面演化計算可以用來研究神經(jīng)網(wǎng)絡(luò)的三個方面：網(wǎng)絡(luò)連接權(quán)重，網(wǎng)絡(luò)結(jié)構(gòu)(網(wǎng)絡(luò)拓撲結(jié)構(gòu)，傳遞函數(shù))，網(wǎng)絡(luò)學習算法。不過大多數(shù)這方面的工作都集中在網(wǎng)絡(luò)連接權(quán)重，和網(wǎng)絡(luò)拓撲結(jié)構(gòu)上。在GA中，網(wǎng)絡(luò)權(quán)重和/或拓撲結(jié)構(gòu)一般編碼為染色體(Chromosome)，適應(yīng)函數(shù)(fitness function)的選擇一般根據(jù)研究目的確定。例如在分類問題中，錯誤分類的比率可以用來作為適應(yīng)值優(yōu)缺點演化計算的優(yōu)勢在于可以處理一些傳統(tǒng)方法不能處理的例子例如不可導(dǎo)的節(jié)點傳遞函數(shù)或者沒有梯度信息存在。但是缺點在于：1、在某些問題上性能并不是特別好。2. 網(wǎng)絡(luò)權(quán)重的編碼而且遺傳算子的選擇有時比較麻煩。最近已經(jīng)有一些利用PSO來代替反向傳播算法來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的論文。研究表明PSO 是一種很有潛力的神經(jīng)網(wǎng)絡(luò)算法。PSO速度比較快而且可以得到比較好的結(jié)果。而且還沒有遺傳算法碰到的問題。舉例這里用一個簡單的例子說明PSO訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程。這個例子使用分類問題的基準函數(shù) (Benchmark function)IRIS數(shù)據(jù)集。(Iris 是一種鳶尾屬植物) 在數(shù)據(jù)記錄中，每組數(shù)據(jù)包含Iris花的四種屬性：萼片長度，萼片寬度，花瓣長度，和花瓣寬度，三種不同的花各有50組數(shù)據(jù). 這樣總共有150組數(shù)據(jù)或模式。我們用3層的神經(jīng)網(wǎng)絡(luò)來做分類?，F(xiàn)在有四個輸入和三個輸出。所以神經(jīng)網(wǎng)絡(luò)的輸入層有4個節(jié)點，輸出層有3個節(jié)點我們也可以動態(tài)調(diào)節(jié)隱含層節(jié)點的數(shù)目，不過這里我們假定隱含層有6個節(jié)點。我們也可以訓(xùn)練神經(jīng)網(wǎng)絡(luò)中其他的參數(shù)。不過這里我們只是來確定網(wǎng)絡(luò)權(quán)重。粒子就表示神經(jīng)網(wǎng)絡(luò)的一組權(quán)重，應(yīng)該是4*6+6*3=42個參數(shù)。權(quán)重的范圍設(shè)定為[-100，100] (這只是一個例子，在實際情況中可能需要試驗調(diào)整).在完成編碼以后，我們需要確定適應(yīng)函數(shù)。對于分類問題，我們把所有的數(shù)據(jù)送入神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的權(quán)重有粒子的參數(shù)決定。然后記錄所有的錯誤分類的數(shù)目作為那個粒子的適應(yīng)值?，F(xiàn)在我們就利用PSO來訓(xùn)練神經(jīng)網(wǎng)絡(luò)來獲得盡可能低的錯誤分類數(shù)目。PSO本身并沒有很多的參數(shù)需要調(diào)整。所以在實驗中只需要調(diào)整隱含層的節(jié)點數(shù)目和權(quán)重的范圍以取得較好的分類效果。

以上就是關(guān)于粒子群算法實際應(yīng)用相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。