裸粒子群优化（BBPSO）

名称

裸粒子群优化（Bare Bones Particle Swarm Optimization, BBPSO），简化粒子群优化（Simplified PSO），基础粒子群优化（Basic PSO）

分类

查看分类思维导图

裸粒子群优化是标准粒子群优化算法的一种简化形式，属于群体智能领域；群体智能隶属于计算智能与生物启发计算的范畴。它与其他基于群体的优化算法密切相关，如蚁群优化和蜂群优化。

• 计算智能
  • 生物启发计算
    • 群体智能
      • 粒子群优化（PSO）
        • 裸粒子群优化（BBPSO）

策略

高斯分布采样

与利用速度向量更新粒子位置的标准 PSO 不同，BBPSO 通过从高斯分布中采样来简化位置更新过程。该分布的均值取为粒子个体最优位置与全局最优位置的平均值，而标准差取为二者之间的绝对差值。

探索与开发的平衡

通过高斯分布采样，BBPSO 能够内在地实现探索与开发之间的平衡。当个体最优位置与全局最优位置相距较远时，标准差较大，从而鼓励对搜索空间进行更广泛的探索；随着算法逐步收敛，二者距离减小，标准差也随之降低，搜索将更加集中于潜在优良区域。

简化的更新过程

采用高斯采样后，算法不再需要速度更新，也无需设置惯性权重和加速度系数等相关参数。这种简化降低了算法的计算复杂度，同时减少了需要调节的参数数量。

过程

数据结构

• 粒子（Particle）：表示一个候选解，由位置向量和个体最优位置向量构成。
• 粒子群（Swarm）：由多个粒子组成的集合，表示候选解种群。

参数

• 粒子数量（num_particles）：粒子群中的粒子数量。
• 维度数量（num_dimensions）：搜索空间的维度。
• 最大迭代次数（max_iterations）：算法允许运行的最大迭代次数。

步骤

1. 初始化粒子群：
   1. 对粒子群中的每个粒子：
      1. 在搜索空间边界内随机初始化粒子的位置。
      2. 将粒子的个体最优位置设为其初始位置。
   2. 将全局最优位置设为所有粒子个体最优位置中最优的那个。
2. 重复执行，直到满足终止条件（如达到最大迭代次数或找到满意解）：
   1. 对粒子群中的每个粒子：
      1. 更新粒子位置：
         1. 计算粒子个体最优位置与全局最优位置的均值。
         2. 将个体最优位置与全局最优位置之间的绝对差值作为标准差。
         3. 根据所得到的均值和标准差，从高斯分布中采样生成新的位置。
      2. 计算粒子新位置的适应度值。
      3. 若新位置的适应度优于粒子的个体最优位置，则更新其个体最优位置。
   2. 若有粒子找到更优解，则更新全局最优位置。
3. 返回全局最优位置，作为最终找到的最优解。

注意事项

优点

• 简洁性：与标准 PSO 相比，BBPSO 的更新过程更为简洁，更易于理解与实现。
• 参数更少：去除了速度更新及相关参数后，算法需要调节的参数数量显著减少。
• 探索与开发平衡良好：基于高斯采样的方法能够根据算法收敛状态，自然地协调探索与开发。

缺点

• 可控性有限：相较于标准 PSO，简化后的更新机制削弱了对探索与开发平衡的显式控制能力。
• 缺乏动量机制：由于不存在速度分量，粒子无法在特定方向上保持“动量”，在某些情况下可能导致收敛速度较慢。
• 可能早熟收敛：若全局最优位置处于次优区域，粒子将受到其强烈影响，进而可能导致算法过早收敛。

启发式建议

群体规模

• 对于大多数问题，可将粒子群规模初始设定为约 20–50 个粒子。
• 对于高维问题或具有大量局部最优的复杂问题，可适当增大粒子群规模。
• 对于较简单的问题，可适当减小粒子群规模，以降低计算成本。

初始化

• 应在搜索空间边界内随机初始化粒子，以保证对搜索空间具有较好的覆盖性。
• 若已具备与问题相关的先验知识，可考虑将部分粒子初始化在更有希望的区域。

终止准则

• 可根据问题复杂度和可用计算资源设置最大迭代次数。
• 可通过设定全局最优适应度变化的容差阈值来判断算法是否收敛。
• 也可设置时间上限，以控制算法的运行时间。

约束处理

• 对于约束优化问题，可在适应度评估中引入罚函数，以抑制不可行解。
• 或者，也可以采用修复机制，以保证粒子位置始终位于可行域内。

混合方法

• 可考虑将 BBPSO 与局部搜索技术结合，以进一步细化潜在优良区域中的解。
• 也可引入问题相关的启发式规则或专门算子，以提升算法在特定应用领域中的求解效果。