粒子群優化演算法可以看作是乙個模擬的自組織系統，在初期，通常群體為混沌無序的混亂狀態，遠離平衡態。「認知」部分代表著對個體本身的歷史成功經驗的依賴，而「社會」部分則意味著對群體歷史成功經驗的模仿，它們對資訊的非線性反饋使用群體經驗逐漸變為有序狀態結構。然而，由於缺乏負熵的輸入，在pso演化的事項，個體的歷史經驗趨向於一致，社會差別趨向於消失，進入準平衡態。一旦這個系統演化到一定的成熟程式時，將陷入停滯狀態。與其它演化演算法的比較可知pso更快地得到相當有質量的解，但當進化代數增加時並不能進行更精確的搜尋，因此構造乙個基於耗散結構的粒子群優化演算法(dissipative pso,dpso)。
要將pso 構造為耗散結構，首先需要使它作為乙個耗散系統執行。實際上，pso 可以很自然的看作乙個能量系統，其中微粒的速度可看作動能，而微粒當前位置與它的gbest和pbest的距離可以看作勢能。乙個耗散系統意味著，隨著演化代數的增加，pso 群體的平均速率和位置差異將變小。這需要使用較小的慣性權重。
要使得系統形成耗散結構，在耗散系統的基礎上，負熵的引入是必須的，以使得系統遠離平衡態，而使得在pso內部微粒的非線**互下的漲落推動系統的持續演化。負熵的引入過程可以有如下兩種方式。
1)對粒子速度v進行擾動
if(rand < cv) then v=rand*vmax
2)對粒子位置x進行擾動
if(rand < cl) then x=rand(clower,cupper)
在標準pso演算法中，乙個微粒的能量取決於它當前的速度和它的位置與pbest和gbest的距離。當pso作為乙個耗散系統工作時，在演化的後期，微粒的速度變得很小，pbest和gbest逐漸重合，而它的位置離它們越來越近，到一定階段，如果某個微粒在以後的演化中再也引不起有意義的適應度變化，這個時候，我們稱該微粒為非活躍微粒。
這提供了另外一種引入負熵的方式，即將不活躍的微粒由新的微粒替換掉。這種方式是自適應的，因此更能適應對不同問題的適應性。
粒子群優化演算法 粒子群演算法
粒子群演算法 particle swarm optimization，pso 屬於進化演算法的一種，該演算法最初是受到飛鳥集群活動的規律性啟發，進而利用群體智慧型建立的乙個簡化模型。粒子群演算法在對動物集群活動行為觀察基礎上，利用群體中的個體對資訊的共享使整個群體的運動在問題求解空間中產生從無序到有...
粒子群優化演算法
粒子群優化演算法 1.概念 粒子群優化演算法 pso 是一種進化計算技術。源於對鳥群捕食的行為研究。粒子群優化演算法的基本思想 是通過群體中個體之間的協作和資訊共享來尋找最優解 pso的優勢 在於簡單容易實現並且沒有許多引數的調節。目前已被廣泛應用於函式優化 神經網路訓練 模糊系統控制以及其他遺傳演...
粒子群優化演算法
與ga演算法比較 粒子群優化 clc,clear all x 0 0.01 4 y hanshu x figure plot x,y hold on w 1 慣性因子 c1 2 c2 2 maxgen 30 迭代次數 sizepop 5 粒子個數 vmax 1 vmin 1 速度限制 popmax ...