1221/05Particle Swarms OptimizationDM course鳥群（魚群）行為粒子群特性BionicComputingBionic Computing Lab,2005ChungYuanChristianUniversity
6 Bionic Computing Lab, 2005 Bionic Computing Chung Yuan Christian University 12/21/05 DM course 鳥群(魚群)行為 Particle Swarms Optimization 粒子群特性
绪论Reynolds仅仅将其作为复杂适应系统的一个实例作仿真研究，而并未将它用于优化计算中。Kennedy和Eberhart在中加入了一个特定点，定义为食物，鸟根据周围鸟的觅食行为来寻找食物。他们的初裹是希望通过这种模型来模拟鸟群寻找食源的现象，然而实验结果却揭示这个仿真模型中蕴涵着很强的优化能力，尤其是在多维空间寻优中
7 绪论 Reynolds仅仅将其作为复杂适应系统的 一个实例作仿真研究，而并未将它用于优化 计算中 。 Kennedy和Eberhart在中加入了一个 特定点，定义为食物，鸟根据周围鸟的觅食 行为来寻找食物。他们的初衷是希望通过这 种模型来模拟鸟群寻找食源的现象，然而实 验结果却揭示这个仿真模型中蕴涵着很强的 优化能力，尤其是在多维空间寻优中
绪论粒子群优化算法（PSO，是一种以群体为基础(Population-based）的最优化搜索技术。·由James Kennedy 和Russell Eberhart 两位学者1995年所提出[Kennedy,J.andEberhart,R.(1995).“ParticleSwarmOptimization",Proceedingsofthe1995IEEEInternationalConferenceonNeuralRussellEberhartNetworks,pp.1942-1948,IEEEPress.J8
8 绪论 ⚫ 粒子群优化算法 (PSO)，是一种以群体为基础 (Population-based) 的最优化搜索技术。 ⚫ 由 James Kennedy 和 Russell Eberhart 两位学者 1995年所提出 Russell Eberhart [Kennedy, J. and Eberhart, R. (1995). “Particle Swarm Optimization”, Proceedings of the 1995 IEEE International Conference on Neural Networks, pp. 1942-1948, IEEE Press.]
Particle Swarm Optimization算法模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的.算法简单，搜索能力强大已经成功应用于许多优化问题
9 Particle Swarm Optimization ⚫ 算法模拟鸟集群飞行觅食的行为， 鸟之间通过集体的协作使群体达到 最优目的. ⚫ 算法简单，搜索能力强大 ⚫ 已经成功应用于许多优化问题
粒子群算法思想PSO中，每个优化问题的解都被想像为搜索空间中的一只鸟，称为粒子（Particle)。所有的粒子都有一个由被优化的函数决定的适应值，以判断目前位置的好坏。每一个粒子赋予记忆性，能记得所寻得的最佳位置。每个粒子都有自已的位置和速度，以决定他们飞翔的方向和距离。10
10 粒子群算法思想 ⚫ PSO中，每个优化问题的解都被想像为搜索空间 中的一只鸟，称为粒子(Particle)。 ⚫ 所有的粒子都有一个由被优化的函数决定的适应 值,以判断目前位置的好坏。 ⚫ 每一个粒子赋予记忆性，能记得所寻得的最佳位 置。 ⚫ 每个粒子都有自己的位置和速度，以决定他们飞 翔的方向和距离