文档介绍：“群众的力量是伟大的”
鸟群通过协作进行捕食
鱼聚集成群可以有效的逃避捕食者
房间偏僻角落里的蛋糕总会先被蚂蚁发现
头脑简单的蜜蜂却能构造出世界上最完美的建筑物
群智能算法概述
生物群中的每个个体只有简单的信息处理能力造系统的研究，是一门涉及到生命科学，复杂性科学，人工智能，计算机科学，经济学，哲学和语言学等多学科的交叉学科，其研究模式主要体现为两类：
如何利用计算技术研究生物现象；
如何利用生物技术研究计算问题；
人工生命的研究挑战主要为以下三类
The Transition of Life
The Evolutionary Potential of Life
The Relation between Life and Mind and Culture
粒子群优化算法
4. 粒子群算法的基本原则
接近原则：粒子与群体应能够依照目标前进
特性原则：群体应该能够反应环境的变化，当所处环境并非最佳解空间时，能够快速飞离该区域。
不同响应原则：群体不会向不佳的解前进
稳定原则：环境改变时，群体移动不会改变其运动模式
适应原则：计算当下最佳解时，群体将会考量适当的参数变动。
粒子群优化算法
5. 粒子群算法的基本概念
粒子群优化算法
最优化问题
粒子群算法
鸟群觅食行为
解空间
粒子可行空间
天空
候选解
粒子
鸟的位置
候选解集
粒子群
鸟群
解的搜索速度
粒子速度
鸟的速度
目标函数
适应度函数
找到食物的可能性
单个候选解
搜索过程中的最优点
个体极值
某一只鸟记忆中最接近食物的位置
所有候选解
搜索过程中的最优点
全局极值
整个鸟群觅食过程中最接近食物的位置
1. 基本粒子群算法思想描述
在PSO中，每个优化问题的潜在解被想象成d维空间上的一个点，我们称其为一个粒子。粒子在搜索空间中以一定的速度飞行，速度依据其本身和同伴的飞行经验进行动态调整。
所有粒子都有一个被目标函数决定的适应值，并知道自己到目前为止发现的最好的位置，当前位置，以及目前为止整个群体所有粒子所发现的最好位置。
粒子根据以下信息改变当前位置:① 当前位置；②当前速度；③当前位置与自己最好位置之间的距离；④当前位置与群体最好位置之间的距离
粒子群优化算法
2. 基本粒子群算法数学描述
已知优化问题为：
第i个粒子表示为： ；
粒子i速度记为：
个体最好位置记为 ，也称为pbest
群体最好位置记为Pg，也称为gbest;
粒子群优化算法
2. 基本粒子群算法数学描述
c1和c2为正常数，称为加速系数；
r1和r2为[0 1]之间的随机数。
上式中的速度和位置向量都被限制在有限区域内，一旦超出界限，则按照响应的最大最小界限计算
粒子群优化算法
惯性
认知
社会
3. 基本粒子群算法流程
设定粒子群系统相关参数
随机初始化粒子群，
计算每个粒子的适应值
统计个体极值pbest和群体极值gbest
更新每个粒子的速度和位置
判断是否满足停止条件，若满足则进行步骤6);若不满足则重复步骤3)~5)
返回当前群体极值gbest ，
粒子群优化算法
1. 粒子群算法主要研究方向
算法分析；
粒子群拓扑结构；
参数选择与优化；
社会行为与生物行为的模拟；
与其他演化计算的融合；
应用。
粒子群优化算法
2. 几种常见的粒子群改进算法：
线性递减惯性权重，收敛因子，最大速度，规范系数
二进制PSO，离散PSO
并行PSO，小生境PSO
混合PSO：模糊PSO、混沌PSO、HPSO、免疫PSO
粒子群优化算法
3. 标准粒子群算法——惯性权重法
其中的ω称为惯性系数，；合适的ω取值能够提供算法局部探索与全局开发的平衡能力，同时也降低了算法对于每一回合的速度阈值设定的要求。较大的ω使粒子具备较强的开发能力，较小的ω使粒子具备探索能力
粒子群优化算法
4. 收敛（压缩）因子法
在惯性权重法的基础上，1999年Clerc提出了收敛因子法
其中，k∈[0,1], φ=c1+c2, φ>4，通常设φ=， K≈.
收敛因子法的有点在于能够在广度搜索的前提下保证算法的收敛，无需设定速度最大限制。
粒子群优化算法
5. 模糊粒子群优化算法
2001年，（Fuzzy PSO