全局最优粒子群优化（GBPSO）

名称

粒子群优化（Particle Swarm Optimization, PSO），全局最优粒子群优化（Global Best PSO, GBPSO），gbest 粒子群优化

分类

查看分类思维导图

粒子群优化是一种基于种群的元启发式优化算法，其灵感来源于鸟群觅食或鱼群游动等社会性群体行为。它与其他群体智能算法，如蚁群优化（ACO）和人工蜂群算法（ABC），具有密切关联。

• 人工智能
  • 计算智能
    • 群体智能
      • 粒子群优化
        • 全局最优粒子群优化

策略

在全局最优粒子群优化中，粒子群在多维搜索空间中移动，并依据粒子自身历史最优位置（个体最优）以及整个粒子群当前已知的最优位置（全局最优）来调整其位置与速度。每个粒子的运动同时受到当前速度、个体最优位置和全局最优位置的影响，目标是在群体不断演化的过程中发现更优解。

初始化

算法首先在搜索空间内随机初始化一组粒子的位置和速度。每个粒子的位置表示优化问题中的一个潜在解，而其速度则决定该粒子在下一次迭代中的移动方向与步长。

评估与更新

在每次迭代中，利用目标函数评估每个粒子当前位置的适应度。若某粒子当前位置优于其历史个体最优位置，则更新其个体最优。若任一粒子当前位置优于整个粒子群当前的全局最优位置，则更新全局最优。

速度与位置更新

随后，根据粒子先前速度、当前位置与个体最优位置之间的差异，以及当前位置与全局最优位置之间的差异，对每个粒子的速度进行更新。速度更新由惯性权重和加速度系数共同控制，用于平衡粒子自身经验与群体协同知识对搜索行为的影响。

完成速度更新后，将新的速度加到粒子当前位置上，以得到新的粒子位置。上述评估、更新与移动过程将持续进行，直至达到预设迭代次数，或找到满足要求的解为止。

过程

数据结构

• 粒子（Particle）：表示一个潜在解，包含以下属性：
  • 位置（Position）：粒子在搜索空间中的当前位置
  • 速度（Velocity）：粒子的当前速度
  • 个体最优（Personal Best）：粒子迄今访问过的最优位置
• 粒子群（Swarm）：由多个粒子组成的集合

参数

• 种群规模（Swarm Size）：粒子群中的粒子数量
• 惯性权重（Inertia Weight）：控制粒子先前速度对当前速度影响程度的参数
• 认知加速度系数（Cognitive Acceleration Coefficient）：决定粒子个体最优对其运动影响程度的参数
• 社会加速度系数（Social Acceleration Coefficient）：决定全局最优对粒子运动影响程度的参数
• 最大迭代次数（Max Iterations）：算法终止前允许执行的最大迭代轮数

伪代码

1. 随机初始化粒子群中所有粒子的位置和速度
2. 评估每个粒子当前位置的适应度
3. 将每个粒子的初始位置设为其个体最优位置
4. 将所有粒子中最优的位置设为全局最优位置
5. 当终止条件未满足时（如未达到最大迭代次数）：
   1. 对粒子群中的每个粒子：
      1. 根据粒子先前速度、个体最优位置和全局最优位置更新粒子速度
      2. 通过将新速度加到当前位置上来更新粒子位置
      3. 评估粒子新位置的适应度
      4. 若新位置优于粒子的个体最优位置，则更新其个体最优位置
   2. 若任一粒子的新位置优于当前全局最优位置，则更新全局最优位置
6. 返回全局最优位置作为最终解

注意事项

优点

• 结构简单，易于实现
• 能够较高效地探索搜索空间，并具备一定避免陷入局部最优的能力
• 适用于广泛类型的优化问题
• 易于并行化实现，从而提升求解效率

缺点

• 当粒子群多样性丧失时，可能会出现早熟收敛
• 对参数选择较为敏感，如惯性权重和加速度系数的设置会显著影响算法性能
• 为找到全局最优解，可能需要较多迭代次数

启发式建议

参数选择

• 种群规模通常设为 20 到 50 个粒子，具体取决于问题复杂度
• 惯性权重通常设置在 0.4 到 0.9 之间，较大取值更有利于全局探索，较小取值更有利于局部开发
• 加速度系数通常设置在 1.5 到 2.5 之间，其中认知系数与社会系数常取相等

初始化

• 在搜索空间边界内随机初始化粒子位置
• 随机初始化粒子速度，通常将其取值范围设置为位置边界范围的一定比例

边界处理

• 可通过截断（clamping）方式将粒子位置限制在允许的搜索空间范围内
• 也可以采用“反射（reflect）”或“回绕（wrap）”策略，使粒子始终保持在搜索空间内部

终止准则

• 根据问题复杂度和可用计算资源设置最大迭代次数
• 当全局最优解在连续若干次迭代中未得到改进时终止算法
• 通过对目标函数值设置相对容差或绝对容差来判断算法是否收敛

混合策略

• 可将 PSO 与局部搜索技术（如爬山算法）结合，在优化后期对潜在优良解进行进一步精细搜索
• 也可将 PSO 与其他元启发式算法（如遗传算法）融合，以更好地平衡探索与开发

变体选择

• 可考虑使用收缩因子粒子群优化或全信息粒子群优化（FIPS）等变体，以改善算法的收敛性能
• 也可研究自适应 PSO 等变体，根据粒子群运行状态动态调整参数，以进一步提升优化效果