工具类服务
编辑部专用服务
作者专用服务
基于粒子群算法和OGY方法的混沌系统混合控制
利用引导混沌轨道的基本原理,将模拟鸟群寻食过程的粒子群算法用于混沌控制,提出了基于粒子群算法引导混沌轨道的新方法,在此基础上利用混沌参数小扰动控制方法(OGY方法),把混沌系统稳定到不动点.以Hénon混沌系统为例,仿真表明此方法实现混沌控制有良好效果.
Wang Xiao-Feng
Xue Hong-Jun
Si Shou-Kui
Yao Yue-Ting
作者单位：
海军驻上海七
海军航空航天大学,烟台,264001
ISTICSCIPKU
年，卷(期)：
机标分类号：
在线出版日期：
本文读者也读过
相关检索词
万方数据知识服务平台--国家科技支撑计划资助项目（编号：2006BAH03B01）(C)北京万方数据股份有限公司
万方数据电子出版社全局混沌杂交的粒子群优化算法及应用_论文_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
您可以上传图片描述问题
联系电话：
请填写真实有效的信息，以便工作人员联系您，我们为您严格保密。
全局混沌杂交的粒子群优化算法及应用
||文档简介
中国最大最早的专业内容网站|
总评分0.0|
&&提出一种新的混沌粒子群优化算法(EC-CPSO),该算法在基本混沌粒子群优化算法(CPSO)基础之上,将粒子速度计算公式中的随机数用混沌随机序列来替代,同时应用早熟判断机制,在对最优粒子进行混沌化处理之外,对其余粒子进行杂交处理,提高了算法的寻优能力,有效避免算法陷入局部最优并防止过早收敛.将之用于(N+M)容错系统优化模型证明该算法与CPSO相比具有一定的优势.
试读已结束，如果需要继续阅读或下载，敬请购买
定制HR最喜欢的简历
你可能喜欢　　好好学数学。
一.问题来源
　　经朋友介绍，接了一份工作，就是做PSO及其优化，恰好我导师也研究这个，刚开学也有接触，那我就接了.......赚点生活费。
　　欢迎大家和我联系做算法类项目，QQ：
　　我真是寒心了，某985&搞笑&的同学找我，说自己各种家庭苦难，各种自己牛逼，要和我合作，本着服务的态度，同时为了表达我的诚意，我自己先给几百定金给他，最后给我了个简单的粒子群，定金也不给我了，真是寒心...本来想着到他学校找一下，算了，都是同学，留着吧，估计一辈子阴影。
　　另外如果您是找我做，1元，10元等，请不要加我，也免开尊口...我很烦
二.背景介绍
2.1 人工生命
　　人工生命：研究具有某些生命基本特征的人 工系统。包括两方面的内容：　　1、研究如何利用计算技术研究生物现象；　　2、 研究如何利用生物技术研究计算问题。
　　我们关注的是第二点。已有很多源于生物现象的计算技巧，例如神经网络和遗传算法。现在讨论另一种生物系统---社会系统：由简单个体组成的群落和环境及个体之间的相互行为。
2.2 群智能
　　模拟系统利用局部信息从而可以产生不可预测的群行为。我们经常能够看到成群的鸟、鱼或者浮游生物。这些生物的聚集行为有利于它们觅食和逃避捕食者。它们的群落动辄以十、百、千甚至万计，并且经常不存在一个统一的指挥者。它们是如何完成聚集、移动这些功能呢？
　　Millonas在开发人工生命算法时(1994年)，提出群体智能概念并提出五点原则：
　　1、接近性原则：群体应能够实现简单的时空计算；
　　2、优质性原则：群体能够响应环境要素；
　　3、变化相应原则：群体不应把自己的活动限制在一狭小范围；
　　4、稳定性原则：群体不应每次随环境改变自己的模式；
　　5、适应性原则：群体的模式应在计算代价值得的时候改变。
2.3 模拟群
　　对鸟群行为的模拟： Reynolds、Heppner和Grenader提出鸟群行为的 模拟。他们发现，鸟群在行进中会突然同步的改 变方向，散开或者聚集等。那么一定有某种潜在 的能力或规则保证了这些同步的行为。这些科学 家都认为上述行为是基于不可预知的鸟类社会行 为中的群体动态学。 在这些早期的模型中仅仅依赖个体间距的操作， 也就是说，这中同步是鸟群中个体之间努力保持 最优的距离的结果。
　　对鱼群行为的研究：生物社会学家E.O.Wilson对鱼群进行了研究。提出：&至少在理论上，鱼群的个体成员能够受益于群体中其他个体在寻找食物的过程中的发现和以前的经验，这种受益超过了个体之间的竞争所带来的利益消耗，不管任何时候食物资源不可预知的分散。&这说明，同种生物之间信息的社会共享能够带来好处。这是PSO的基础。　
三.算法介绍
　　粒子群优化算法的基本思想是通过群体中个体之间的协作和信息共享来寻找最优解．　　PSO的优势在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
3.1 问题提出
　　设想这样一个场景：一群鸟在随机的搜索食物。 在这个区域里只有一块食物，所有的鸟都不知 道食物在那。但是它们知道自己当前的位置距 离食物还有多远。 那么找到食物的最优策略是什么？ 最简单有效的就是搜寻目前离食物最近的鸟的 周围区域。
3.2 问题抽象
　　鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间，粒子I 在N维空间的位置表示为矢量Xi＝(x1，x2，&，xN)，飞行速度表示为矢量Vi＝(v1，v2，&，vN)．每个粒子都有一个由目标函数决定的适应值(fitness value)，并且知道自己到目前为止发现的最好位置(pbest)和现在的位置Xi．这个可以看作是粒子自己的飞行经验．除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest)(gbest是pbest中的最好值)．这个可以看作是粒子同伴的经验．粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。 &
3.3 算法描述
　　PSO初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次的迭代中，粒子通过跟踪两个&极值&(pbest,gbest)来更新自己。
　　在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置。
　　（我记得Vi需要乘以惯性权重）。
　　i＝1，2，&，M，M是该群体中粒子的总数；Vi 是粒子的速度； pbest和gbest如前定义； rand()是介于（0、1）之间的随机数； Xi 是粒子的当前位置。 c1和c2是学习因子，通常取c1＝ c2＝2 在每一维，粒子都有一个最大限制速度Vmax，如果 某一维的速度超过设定的Vmax ，那么这一维的速度 就被限定为Vmax 。（ Vmax &0） 以上面两个公式为基础，形成了后来PSO 的标准形式。
3.4 算法优化
　　1998年shi等人在进化计算的国际会议上 发表了一篇论文《A modified particle swarm optimizer》对前面的公式进行了修正。引入 惯性权重因子。值较大，全局寻优能力强，局部寻优能力弱； 值较小反之。
　　初始时，shi将 取为常数，后来实验发现，动 态 能够获得比固定值更好的寻优结果。动态 可以在PSO搜索过程中线性变化，也可根据PSO 性能的某个测度函数动态改变。 目前，采用较多的是shi建议的线性递减权值 (linearly decreasing weight, LDW)策略。
3.4 标准PSO算法流程
　　标准PSO算法的流程：
　　Step1:初始化一群微粒(群体规模为m)，包括随机位置和 速度；
　　Step2:评价每个微粒的适应度；
　　Step3:对每个微粒，将其适应值与其经过的最好位置 pbest作比较，如果较好，则将其作为当前的 最好位置
　　Step4:对每个微粒，将其适应值与其经过的最好位置 gbest作比较，如果较好，则将其作为当前的 最好位置
　　Step5:根据(2)、(3)式调整微粒速度和位置；
　　Step6：未达到结束条件则转Step2。
　　迭代终止条件根据具体问题一般选为最大迭代次数Gk或(和)微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。
3.5 参数分析
　　方程中pbest和gbest分别表示微粒群的局部和 全局最优位置，当C1＝0时，则粒子没有了认知能力， 变为只有社会的模型(social-only):
　　被称为全局PSO算法.粒子有扩展搜索空间的能力，具有 较快的收敛速度，但由于缺少局部搜索，对于复杂问题 比标准PSO 更易陷入局部最优。
　　当C2＝0时，则粒子之间没有社会信息，模型变为 只有认知(cognition-only)模型：
　　被称为局部PSO算法。由于个体之间没有信息的 交流，整个群体相当于多个粒子进行盲目的随机 搜索，收敛速度慢，因而得到最优解的可能性小。
　　群体规模m 一般取20～40，对较难或特定类别的问题 可以取到100～200。
　　最大速度Vmax决定当前位置与最好位置之间的区域的 分辨率(或精度)。如果太快，则粒子有可能越过极小 点;如果太慢，则粒子不能在局部极小点之外进行足 够的探索，会陷入到局部极值区域内。这种限制可以 达到防止计算溢出、决定问题空间搜索的粒度的目的。
　　权重因子 包括惯性因子 和学习因子c1和c2。 使粒子 保持着运动惯性，使其具有扩展搜索空间的趋势，有 能力探索新的区域。C1和c2代表将每个粒子推向Pbest 和gbest位置的统计加速项的权值。较低的值允许粒子 在被拉回之前可以在目标区域外徘徊，较高的值导致粒 子突然地冲向或越过目标区域。
四.优化PSO
4.1 引入收敛因子，不要惯性权重
　　通常设c1＝c2＝2。Suganthan的实验表明：c1和c2 为常数时可以得到较好的解，但不一定必须等于2。 Clerc引入收敛因子(constriction factor) K来保证 收敛性。
　　通常取 为4.1,则K＝0.729.实验表明，与使 用惯性权重的PSO算法相比，使用收敛因子的 PSO有更快的收敛速度。其实只要恰当的选取 和c1、c2，两种算法是一样的。因此使用收 敛因子的PSO可以看作使用惯性权重PSO的特 例。 恰当的选取算法的参数值可以改善算法的性能。
4.2 离散二进制粒子群
　　基本PSO是用于实值连续空间，然而许多实际问题是组合 优化问题，因而提出离散形式的PSO。 速度和位置更新式为：
4.3 PSO和GA比较
　　共性: （1）都属于仿生算法。 (2) 都属于全局优化方法。 (3) 都属于随机搜索算法。 (4) 都隐含并行性。 (5) 根据个体的适配信息进行搜索，因此不受函数 约束条件的限制，如连续性、可导性等。 (6) 对高维复杂问题，往往会遇到早熟收敛和收敛 性能差的缺点，都无法保证收敛到最优点。
　　差异： (1) PSO有记忆，好的解的知识所有粒子都保 存，而GA，以前的知识随着种群的改变被改变。 (2) PSO中的粒子仅仅通过当前搜索到最优点进行共享信息，所以很大程度上这是一种单共享项信息机制。而GA中，染色体之间相互共享信息，使得整个种群都向最优区域移动。 (3) GA的编码技术和遗传操作比较简单，而PSO 相对于GA，没有交叉和变异操作，粒子只是通过内部速度进行更新，因此原理更简单、参数更少、实现更容易。
　　GA可以用来研究NN的三个方面：网络连接权重、网络 结构、学习算法。优势在于可处理传统方法不能处理的 问题，例如不可导的节点传递函数或没有梯度信息。 缺点:在某些问题上性能不是特别好；网络权重的编码和 遗传算子的选择有时较麻烦。 已有利用PSO来进行神经网络训练。研究表明PSO是一 种很有潜力的神经网络算法。速度较快且有较好的结果。 且没有遗传算法碰到的问题。
五.PSO实现
　　各算法对应的问题如下：
　　PSO 用基本粒子群算法求解无约束优化问题　　YSPSO 用带压缩因子的粒子群算法求解无约束优化问题　　LinWPSO 用线性递减权重粒子群优化算法求解无约束优化问题　　SAPSO
用自适应权重粒子群优化算法求解无约束优化问题　　RandWPSO 用随机权重粒子群优化算法求解无约束优化问题　　LnCPSO 用学习因子同步变化的粒子群优化算法求解无约束优化问题　　AsyLnCPSO 用学习因子异步变化的粒子群优化算法求解无约束优化问题　　SecPSO 用二阶粒子群优化算法求解无约束优化问题　　SecVibratPSO
用二阶振荡粒子群优化算法求解无约束优化问题　　CLSPSO 用混沌粒子群优化算法求解无约束优化问题　　SelPSO 用基于选择的粒子群优化算法求解无约束优化问　　BreedPSO 用基于交叉遗传的粒子群优化算法求解无约束优化问　　SimuAPSO 用基于模拟退火的粒子群优化算法求解无约束优化问题
（包含了基本PSO和12种优化PSO算法，绝对能用）。
参考文献：西电姚新正老师课件
　　再此声明一下，如果您加我，不要再问我懂不懂优化、会不会粒子群，有问题您直接说就好了，每天加我的人太多了，笔者不胜其扰。
阅读(...) 评论()免费全文下载 (已被下载 … 次)
李文，伍铁斌，赵全友，李玲香
1．湖南科技学院 电子与信息工程学院，湖南 永州 ．湖南人文科技学院 能源与机电工程系，湖南 娄底 417000
摘要被查看 … 次，已被下载 … 次
15)07-2065-03
10.3969/j.issn.15.07.036
针对基本粒子群（PSO）算法不能较好地解决旅行商优化问题（TSP），分析了基本粒子群算法的优化机理，在新定义粒子群进化方程中进化算子的基础上利用混沌运动的随机性、遍历性等特点，提出一种结合混沌优化和粒子群算法的改进混沌粒子群算法。该算法对惯性权重进行自适应调整，引入混沌载波调整搜索策略避免陷入局部最优，形成一种同时满足全局和局部寻优搜索的混合离散粒子群算法，使其适合解决TSP 此类组合优化问题。利用MATLAB对其进行了仿真。仿真结果说明此算法的搜索精度、收敛速度及优化效率均较优，证明了此算法在TSP中应用的有效性，且为求解TSP提供了一种参考方法。
粒子群优化算法；旅行商问题；混沌优化；自适应；局部调整
国家自然科学基金资助项目()湖南省教育厅优秀青年资助项目(14B097)湖南省教育厅一般资助项目(11C3)湖南科技学院计算机应用技术重点学科资助项目
中图分类号
文献标志码粒子群算法笔记（1）
作者：莫石
链接：/question//answer/
来源：知乎
著作权归作者所有，转载请联系作者获得授权。
群体智能算法家族的两个重要成员就是粒子群算法与蚁群算法。基本思想都是模拟自然界生物群体行为来构造随机优化算法的，不同的是粒子群算法模拟鸟类群体行为，而蚁群算法模拟蚂蚁觅食原理。
（1）都是一类不确定算法。不确定性体现了自然界生物的生物机制，并且在求解某些特定问题方面优于确定性算法。仿生优化算法的不确定性是伴随其随机性而来的，其主要步骤含有随机因素，从而在算法的迭代过程中，事件发生与否有很大的不确定性。
（2）都是一类概率型的全局优化算法。非确定算法的优点在于算法能有更多机会求解全局最优解。
（3）都不依赖于优化问题本身的严格数学性质。在优化过程中都不依赖于优化问题本身严格数学性质（如连续性，可导性）以及目标函数和约束条件精确的数学描述。
（4）都是一种基于多个智能体的仿生优化算法。仿生优化算法中的各个智能体之间通过相互协作来更好的适应环境，表现出与环境交互的能力。
（5）都具有本质并行性。仿生优化算法的本质并行性表现在两个方面：仿生优化计算的内在并行性（inherent parallelism ）和内含并行性（implicit parallelism ），这使得仿生优化算法能以较少的计算获得较大的收益。
（6）都具有突出性。仿生优化算法总目标的完成是在多个智能体个体行为的运动过程中突现出来的。
（7）都具有自组织和进化性。具有记忆功能，所有粒子都保存优解的相关知识。在不确定的复杂时代环境中，仿生优化算法可以通过自学习不断提高算法中个体的适应性。
（8）都具有稳健性。仿生优化算法的稳健性是指在不同条件和环境下算法的实用性和有效性。由于仿生优化算法不依赖于优化问题本身严格数学性质和所求问题本身的结构特征，因此用仿生优化算法求解不同问题时，只需要设计相应的评价函数（代价函数），而基本上无需修改算法的其他部分。但是对高维问题复杂问题，往往会遇到早熟收敛和收敛性能差的缺点，都无法保证收敛到最优点。
～～～～～～～～～～～～～～～～～
这是一条奇怪的分割线～～～～～～～～～～～～～～～～～～～～～～～～
进入正题～～区别！！！！！
（1）粒子群算法。粒子群算法是一种原理相当简单的启发式算法，与其他仿生算法相比，它所需的代码和参数较少。
粒子群算法通过当前搜索到的最优点进行共享信息，很大程度上这是一种单项信息共享机制。
粒子群算法受所求问题维数的影响较小。
粒子群算法的数学基础相对较为薄弱，目前还缺乏深刻且具有普遍意义的理论分析。在对收敛性分析方面研究还需进一步将确定性向随机性转化。
（2）蚁群算法。蚁群算法采用了正反馈机制，这是不同于其他仿生算法最为显著的一个特点。
蚁群算法中那个个体只能感知局部信息，不能直接利用全局信息。
基本蚁群算法一般需要较长的搜索时间，且容易出现停滞现象。
蚁群算法的收敛性能对初始化参数的设置较为敏感。
蚁群算法已经有了较成熟的收敛性分析方法，并且可对收敛速度进行估计。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：1392次
排名：千里之外
原创：27篇
(1)(20)(10)