混沌粒子群算法

应用背景粒子群优化算法是基于群体的演化算法, 其思想来源于人工生命和演化计算理论。PSO即源于对鸟群捕食行为的研究, 一群鸟在随机搜寻食物, 如果这个区域里只有一块食物, 那么找到食物的最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。粒子群优化算法从一组随机解出发, 通过迭代搜寻最优解。粒子群优化算法将粒子群中每一粒子赋予位置和速度两个特性;每一粒子的位置作为待解决问题的可能解;目标函数(利用粒子的位置坐标求解)作为适应度来衡量群体中每个粒子优劣的标准;利用位置和速度两个特性, 粒子通过跟踪两个极值(个体极值与全局极值)来不断更新自己在解空间的位置, 从而找到问题的最优解。混沌是一种普遍的非线性现象, 其行为复杂且类似随机, 但其有精致的内在规律性。由于混沌的遍历性, 利用混沌变量进行优化搜索会比盲目无序的随机搜索更具有优越性, 它可以避免优化算法陷入局部最优的缺点。混沌优化算法就是利用这些混沌变量的随机性、遍历性、规律性特点在解空间内进行优化搜索, 易于跳出局部最优解, 无须优化问题具有连续性和可微性。关键技术PSO 是一种模拟鸟群体飞行行为的群智能算法，与其它的优化算法基本思想相似，在PSO 中，一个粒子表示一只鸟，每一个粒子均具有一个初始位置和速度，在粒子群飞行过程不断调整飞行速度和方向，最终找到最优解。混沌是一种行为复杂且与随机相似的非线性系统，对初始值十分敏感，十分易跳出局部极小，搜索速度相当快。混沌粒子群算法的基本思想为在每次迭代过程中，对G best的粒子进行混沌扰动，并将其作为粒子更新的位置，防止粒子位置趋同，使其在全局最优解的周围进行局部搜索。