粒子群最佳化
維基百科,自由的 encyclopedia
粒子群最佳化(Particle Swarm Optimization, PSO),又稱粒子群演算法、微粒群演算法,是由 J. Kennedy 和 R. C. Eberhart 等[1]於1995年開發的一種演化計算技術,來源於對一個簡化社會模型的類比。其中「群(swarm)」來源於微粒群符合 M. M. Millonas 在開發應用於人工生命(artificial life)的模型時所提出的群體智慧型的5個基本原則。「粒子(particle)」是一個折衷的選擇,因為既需要將群體中的成員描述為沒有品質、沒有體積的,同時也需要描述它的速度和加速狀態。
建議將粒子群演算法併入此條目或章節。(討論) |
此條目需要精通或熟悉電腦科學的編者參與及協助編輯。 (2010年3月22日) |
PSO 演算法最初是為了圖形化地類比鳥群優美而不可預測的運動。而通過對動物社會行為的觀察,發現在群體中對資訊的社會共享提供一個演化的優勢,並以此作為開發演算法的基礎[1]。通過加入近鄰的速度匹配、並考慮了多維搜尋和根據距離的加速,形成了 PSO 的最初版本。之後引入了慣性權重w來更好的控制開發(exploitation)和探索(exploration),形成了標準版本。為了提高粒群演算法的效能和實用性,中山大學、(英國)格拉斯哥大學等又開發了自適應(Adaptive PSO)版本[2]和離散(discrete)版本[3]。
PSO 演算法屬於一種萬能啟發式演算法,能夠在沒有得知太多問題資訊的情況下,有效的搜尋具有龐大解空間的問題並找到候選解,但同時不保證其找到的最佳解為真實的最佳解。