哪里有做网站app的,湖南做网站 在线磐石网络,google浏览器官网,在线开发前言#xff1a; 当阅读过前一篇我的博客之后#xff0c;并且认真去读懂了那篇文章末尾的代码#xff0c;那么#xff0c;后续的算法改进对于你来说应当是很容易的了。前文中提及过#xff0c;粒子群在进行迭代时#xff0c;每迭代一次#xff0c;都会根据自己个体最优值…前言 当阅读过前一篇我的博客之后并且认真去读懂了那篇文章末尾的代码那么后续的算法改进对于你来说应当是很容易的了。前文中提及过粒子群在进行迭代时每迭代一次都会根据自己个体最优值全局最优值自身惯性三个因子来决定粒子下一次的飞行方向。传统的粒子群算法为什么是传统就是他这三个因子都是保持的一个常数值缺乏适应性这也就是为什么需要进行改进粒子群算法。
本文的目标
1.解释如何对传统粒子群优化进行简单改进与第一篇文章结果进行对比
2.通过改变粒子群中粒子的数量存档库的大小迭代次数观察算法效果。
基础知识
1.传统型粒子群算法更新粒子的方式-------请看下面这篇博文讲解十分精炼基于Python实现粒子群算法Particle Swarm Optimization超详细解析入门代码实例讲解-CSDN博客 先看上边这个公式1红圈表示第n个粒子在k1次迭代时候的位置第k次迭代时的位置即将移动的速度第k1次的移动速度。需要注意粒子的位置使用一组数值来表示的速度是对粒子位置进行增减也是和前者尺寸长度相同的一组数值。所以粒子的位置实际上就是代表问题的一组解。下面这个公式2红圈是在计算k1次时候的速度这个速度由粒子自身惯性鸟飞行时的惯性、个体最优值这只鸟自己飞行时候遇见的最佳历史值、群体最优值整个鸟群飞行时候遇见的最佳历史值共同决定。w是粒子本身惯性权重因子c1和c2是学习因子r1和r2是分布在[0,1]区间内的随机数。以上w,c1,c2都是保持一个恒定值这样子求解容易出现局部最优解的情况无法探索更大的空间。---------------传统型PSO的特点恒定值导致的定步长使得搜索成本增加且不一定能够搜索到最优这一点可以去哔哩哔哩上看动画演示
2.粒子群群里粒子的数量越多也就是每次参与寻找食物的鸟的数量越多在同样的迭代次数下寻找到全局最优的可能性越大而且更加趋于收敛。在粒子群群里粒子数量一定的情况下延长迭代次数也可以达到寻找全局最优的效果但是收敛的时间可能会比较漫长。毫无疑问更大的粒子数量和迭代次数都会导致搜索时间成本的增加所以需要慎重选择二者间的平衡。
3.改进后的粒子群算法更新粒子方式---------------------将定步长修改为变步长
大致意思就是在开始迭代的时候粒子的迭代策略更加注重自身的最优解以达到增大全局探索能力的目的。迭代次数过半的时候开始逐渐将重点放在全局最优解寻求一个稳定的收敛。
改进后的粒子群算法更新方式如下 只对原来的恒定值做了更新让其随着迭代次数的逐渐增加而C1数值逐渐减小C2逐渐增大。 IT 是当前迭代次数 MI 是总迭代次数 w s 和 w e 是惯性权重因子的初始值和终止值。在迭代 初期较大的 w 使算法不宜陷入局部极小值便 于全局搜索[14] 。在迭代后期较小的 w 有利于局 部搜索有利于算法的收敛c 1s 和 c 1e 是 c 1 的初 始值和停止值c 1s 大于 c 1e c 2s 和 c 2e 是的初始值和停止值c 2s 小于 c 2e 。在迭代初期大 c 1 和小 c 2 使粒子具有较好的自学习能力和较差的社会学 习能力有利于全局搜索。在迭代后期小 c 1 和 大 c 2 使粒子具有较强的社会学习能力和较差的自 学习能力有利于算法的收敛。 代码实现 定义了两个匿名函数w和pm用于对原来恒定常数值的动态更新。 这里使用了一个Matlab的语法wcw(it)和pcpm(it)调用了两个匿名函数使用w(it)就能调用66行定义的函数公式。这样在每一次群体迭代过程中都会先计算一下本次迭代的最新权重系数值然后再针对每个粒子去更新位置。这样更加保证搜索到全局最优可以多次实验记录一下 其余部分和传统型粒子群算法完全一样。 调整迭代次数和粒子个数
设置迭代次数为200粒子个数为500存档库的大小为500点击运行代码即可。最直观的感受是单次运算速度相比之前迭代次数100粒子个数100存档库100慢了很多在视图上可以看见更多的粒子在动态搜索。下图为最新粒子个数 下面这个是迭代次数设置为100粒子个数为100时候的对比
能够很明显看到粒子数为500时候对应的界面更加密集。
改进粒子群算法代码如下
链接https://pan.baidu.com/s/1LmaxCCHlg-HhtaYZThoi9Q 提取码3333
搭配复现的论文PDF
链接https://pan.baidu.com/s/1tbuboB1sI6wIzMlkZdK7iw 提取码2222
暂时先告一段落啦休息一会儿。
