粒子群算法与遗传算法的比较精品文档完整版.docx

粒子群算法与遗传算法的比较精品文档完整版.docx

《粒子群算法与遗传算法的比较精品文档完整版.docx》由会员分享，可在线阅读，更多相关《粒子群算法与遗传算法的比较精品文档完整版.docx（1页珍藏版）》请在冰点文库上搜索。

粒子群算法与遗传算法的比较精品文档完整版

粒子群算法介绍

　　优化问题是工业设计中经常遇到的问题,许多问题最后都可以归结为优化问题.为了解决各种各样的优化问题,人们提出了许多优化算法,比较著名的有爬山法、遗传算法等.优化问题有两个主要问题:

一是要求寻找全局最小点,二是要求有较高的收敛速度.爬山法精度较高,但是易于陷入局部极小.遗传算法属于进化算法（EvolutionaryAlgorithms）的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解.遗传算法有三个基本算子:

选择、交叉和变异.但是遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.1995年Eberhart博士和kennedy博士提出了一种新的算法;粒子群优化（ParticleSwarmOptimization-PSO）算法.这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视,并且在解决实际问题中展示了其优越性。

　　粒子群优化（ParticleSwarmOptimization-PSO）算法是近年来发展起来的一种新的进化算法（EvolutionaryAlgorithm-EA）.PSO算法属于进化算法的一种,和遗传算法相似,它也是从随机解出发,通过迭代寻找最优解,它也是通过适应度来评价解的品质.但是它比遗传算法规则更为简单,它没有遗传算法的“交叉”（Crossover）和“变异”（Mutation）操作.它通过追随当前搜索到的最优值来寻找全局最优。

1.引言

　　粒子群优化算法（PSO）是一种进化计算技术（evolutionarycomputation），由Eberhart博士和kennedy博士提出。

源于对鸟群捕食的行为研究。

　　PSO同遗传算法类似，是一种基于迭代的优化算法。

系统初始化为一组随机解，通过迭代搜寻最优值。

但是它没有遗传算法用的交叉（crossover）以及变异（mutation），而是粒子在解空间追随最优的粒子进行搜索。

同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。

目前已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