粒子群算法的提出和优化 2粒子群算法简介 粒子群优化算法(Particle Swarm Optimization, PSO)是由James Kennedy博士和Russell Eberhart博士于1995年提出的一种群集智能优化算法。它源于对鸟群捕食行为的研究，是一种通过迭代寻优的优化方法。它通过随机初始化一组合法解，然后通过迭代运算，进行可行解的筛选，力求寻找到一个最优解或近似最优解。在PSO算法中，每个粒子利用自身、历史最优解和整个粒子群的全局最优解提供的信息，在解空间内不断搜索，实现寻找最优解的目的。随后，Shi Y和Eberhart分析了参数选择对PSO性能的影响，并将一个重要的参数:惯性权重，引入到PSO中‘之后依次提出了线性递减惯性权重(linear decreasing inertia weight, LDIW )、模糊惯性权重(fuzzy inertia weight,FIW)和随机惯性权重(random inertia weight, RIW )。通过设置不同的惯性权重算式，提升粒子群算法的自适应调节能力，从而达到算法的局部搜索能力和全局搜索能力有所平衡的目的，进而使算法更快的搜索到最优解。 在运用PSO算法进行最优问题求解时，开始寻优之前，系统会随机给每个粒子赋予一个潜在合法最优解。在开始搜索最优解之后，每个粒子根据自己的最优解和整个粒子群的最优解来随时改变自己的搜索方向。种群中的每个粒子都对应一个自身的最优解，叫做个体最优解(称为个体极值:pBest，所有粒子所对应最优解中筛选出最优的，叫做种群最优解(称为全局极值:gBest )。具体在用算法解决优化问题时，引入适应度函数(Fitness function)来对每个粒子对应的最优解进行评价。通过适应度函数评价，不断更新pBest和gBest，以此来产生新一代更优异的种群。始终保持每个粒子对应的最优解，和整个种群对应的最优解，都是目前为止搜索到的最优的。

• 上一篇：PR1400焊接机器人路径规划问题描述与建模
• 下一篇：焊接机器人应用粒子群算法求解行为参数分析