導航:首頁 > 源碼編譯 > pso演算法優化參數

pso演算法優化參數

發布時間:2025-01-20 13:17:35

❶ 粒子群優化的演算法參數

PSO參數包括:群體規模m,慣性權重w,加速常數c1和c2,最大速度Vmax,最大代數Gmax,解空間[Xmin Xmax]。
Vmax決定在當前位置與最好位置之間的區域的解析度(或精度)。如果Vmax太高,微粒可能會飛過好解,如果Vmax太小,微粒不能進行足夠的探索,導致陷入局部優值。該限制有三個目的:防止計算溢出;實現人工學習和態度轉變;決定問題空間搜索的粒度。
慣性權重w使微粒保持運動的慣性,使其有擴展搜索空間的趨勢,有能力探索新的區域。
加速常數c1和c2代表將每個微粒推向pbest和gbest位置的統計加速項的權重。低的值允許微粒在被拉回來之前可以在目標區域外徘徊,而高的值導致微粒突然的沖向或者越過目標區域。
如果沒有後兩部分,即c1 = c2 = 0,微粒將一直以當前的速度飛行,直到到達邊界。由於它只能搜索有限的區域,將很難找到好的解。
如果沒有第一部分,即w = 0,則速度只取決於微粒當前的位置和它們歷史最好位置pbest和gbest,速度本身沒有記憶性。假設一個微粒位於全局最好位置,它將保持靜止。而其它微粒則飛向它本身最好位置pbest和全局最好位置gbest的加權中心。在這種條件下,微粒群將統計的收縮到當前的全局最好位置,更象一個局部演算法。
在加上第一部分後,微粒有擴展搜索空間的趨勢,即第一部分有全局搜索的能力。這也使得w的作用為針對不同的搜索問題,調整演算法全局和局部搜索能力的平衡。
如果沒有第二部分,即c1 = 0,則微粒沒有認知能力,也就是「只有社會(social-only)」的模型。在微粒的相互作用下,有能力到達新的搜索空間。它的收斂速度比標准版本更快,但是對復雜問題,比標准版本更容易陷入局部優值點。
如果沒有第三部分,即c2 = 0,則微粒之間沒有社會信息共享,也就是「只有認知(cognition-only)」的模型。因為個體間沒有交互,一個規模為m的群體等價於m個單個微粒的運行。因而得到解的幾率非常小。

閱讀全文

與pso演算法優化參數相關的資料

熱點內容
微信小程序登錄源碼 瀏覽:973
現實版的程序員 瀏覽:951
單片機口線對繼電器操作代碼 瀏覽:1002
程序員那麼可愛男主喝醉 瀏覽:49
安卓吃雞國際服怎麼更改國籍 瀏覽:325
安卓的耳機蘋果7怎麼用 瀏覽:446
怎麼判斷安卓是不是山寨機 瀏覽:763
android虛擬按鍵監聽 瀏覽:233
蘋果怎麼建文件夾擺放 瀏覽:740
在記事本里編譯java大綱 瀏覽:605
圖形化編程編譯器 瀏覽:791
用什麼app能打開word 瀏覽:303
室內裝修牆面演算法 瀏覽:229
太極十三勢pdf 瀏覽:888
程序員轉行學日語 瀏覽:310
pythonnltk分詞 瀏覽:211
51單片機液晶顯示原理 瀏覽:227
ppt下載後怎麼解壓 瀏覽:178
編譯人工代碼 瀏覽:273
k線形態pdf 瀏覽:508