人工智能粒子群优化三大算法

粒子群优化是以邻域原理（neighborhood principle）为基础进行操作的，该原理来源于社会网络结构研究中。驱动粒子群优化的特性是社会交互作用。群中的个体（粒子）相互学习，而且基于获得的知识移动到更相似于它们的、较好的邻近区域。邻域内的个体进行相互通信。

群是由粒子的集合组成的，而每个粒子代表一个潜在的解答。粒子在超空间流动，每个粒子的位置按照其经验和邻近粒子的位置而发生变化。速度矢量推动优化过程，并反映出社会所交换的信息。下面简单介绍一下三种不同的粒子群优化算法，它们对社会信息交换扩展程度是不同的。

粒子群优化算法

1．个体最佳算法

对于个体最佳（individual best）算法，每一个体只把它的当前位置与自己的最佳位置pbest相比较，而不使用其他粒子的信息。具体算法如下：

（1）对粒子群P（t）初始化，使得t＝0时每个粒子P∈P（t）在超空间中的位置X（t）是随机的。

（2）通过每个粒子的当前位置评价其性能f。

（3）比较每个个体的当前性能与其至今有过的最佳性能。

（4）改变每个粒子的速度矢量。

（5）转回第（2）步，重复递归直至收敛。

上述算法中粒子离开其先前发现的最佳解答越远，使该粒子（个体）移回它的最佳解答所需要的速度就越大。随机值P的上限为用户规定的系统参数。p的上限越大，粒子轨迹振荡就越大。较小的P值能够保证粒子的平滑轨迹。

 

粒子群优化算法

2．全局最佳算法

对于全局最佳（global best）算法，粒子群的全局优化方案gbest反映出一种被称为星形（stan）的邻域拓扑结构。在该结构中，每个粒子能与其他粒子（个体）进行通信，形成一个全连接的社会网络。用于驱动各粒子移动的社会知识包括全群中选出的最佳粒子位置，此外，每个粒子还根据先前已发现的最好的解答来运用它的历史经验。

对于全局最佳算法，粒子离开全局最佳位置和它自己的最佳解答越远，使该粒子回到它的最佳解答所需的速度变化也越大。

3．局部最佳算法

局部最佳（local best）算法用粒子群优化的最佳方案lbest反映一种称为环形（ring）的邻域拓扑结构。该结构中每个粒子与它的n个中间邻近粒子通信。如果n＝2，那么一个粒子与它的中间相邻粒子的通信如下图所示。粒子受它们邻域的最佳位置和自己过去经验的影响。

 

粒子群优化算法

以上三种算法的第（2）步检测各粒子的性能。其中，采用一个函数来测量相应解答与最佳解答的接近度。在进化计算中，称这种接近度为适应度函数。

粒子群优化已用于求解非线性函数的极大值和极小值，也成功地应用于神经网络训练。这时，每个粒子表示一个权矢量，代表一个神经网络。粒子群优化也成功地应用于人体颤抖分析，以便诊断帕金森（Parkinson）疾病。