應用多速粒子群算法與均勻設計試驗於 應用多速粒子群算法與均勻設計試驗於 應用多速粒子群算法與均勻設計試驗於 應用多速粒子群算法與均勻設計試驗於
粒子群算法改良之探討 粒子群算法改良之探討 粒子群算法改良之探討 粒子群算法改良之探討
An Improvement of Particle Swarm Optimization using Multi-velocity Particle PSO and Uniform Design
Experiment
曾明性曾明性 曾明性曾明性
中山醫學大學資訊管理學系 中山醫學大學資訊管理學系中山醫學大學資訊管理學系 中山醫學大學資訊管理學系
mht@csmu.edu.tw
李宜亭李宜亭李宜亭 李宜亭
中山醫學大學資訊管理學系 中山醫學大學資訊管理學系中山醫學大學資訊管理學系 中山醫學大學資訊管理學系
iflida@hotmail.com
摘要 摘要 摘要 摘要
1995 年 Eberhart 和 Kennedy 提 出 一 種 新穎的優化算法-粒子群算法 (Particle Swarm Optimization, PSO),是一種經由世 代演化的算法。系統初始化為一組隨機 解,透過是粒子在解空間追隨最優的粒子 進行搜索並經由迭代搜尋最佳值。
但 PSO 有容易陷入局部解之缺點,針 對此議題,Bo Wang 等人於 2006 年提出多 速粒子群優算法(Multi-velocity Particle Swarm Optimization, MVPSO)以改良,其 利用將粒子在同一地方以不同速度到不同 的位置以逐步達到全局就優解,藉此改良 PSO 易陷入局部極值的問題。
本文茲採用兩種 PSO 模式搭配四種 函數進行測試,繼之改良成 MVOSO 模式 進行函數優化之測試,首先比較兩種模 式,針對較差的函數增加多速粒子數目以 及搭配均勻設計試驗(Uniform Design)
做改良測試,最後得到 MVPSO 之效能大 於 PSO,且搭配均勻設計後亦有效提升其 最優概率。
關鍵詞關鍵詞關鍵詞
關鍵詞:::粒子群算法、多速粒子群優算法、: 均勻設計
Keywords:::Particle Swarm Optimization、: Multi-velocity Particle Swarm Optimization、 Uniform Design
一 一 一
一、 、 、緒論 、 緒論 緒論 緒論 1.1 文獻探討 文獻探討 文獻探討 文獻探討
1.1.1 群體智慧 群體智慧 群體智慧 群體智慧
群體智慧(Swarm Intelligence, SI)[8]
是一種在自然界生物群體行為下所提出的 人工智能實現模式,主要研究是對生物群 體的複雜行為進行模擬,藉此幫助解決一 複雜系統的問題,而群體智能計算是群體 智能研究的一個分支。
計算智能(Computational Intelligence) 是從模擬自然界生物體系和人類智能現在 而發展來,用計算機模擬再現人類某些智
能行為,其最大特點是不需建立問題本身 的精確模型,適合於解決那些因為難以建 立有效形式化的模型而用傳統人工智能技 術又難以有效解決甚至無法解決的問題。
目前受到普遍關注的人工生命 (Artificial Life, AL)[17] 也 屬 於 計 算 智 能 的 研 究 領 域,人工生命泛指研究具有某些生命特徵 的人工系統,包括如何利用計算技術研究 生物現象以及如何利用生物技術研究計算 問題兩種內容。
群體智慧指許多簡單個體通過相互合 作產生複雜智慧行為的特性。該智能模式 需要以相當數目的智能體來實現對某種問 題的求解功能,在沒有得到智能群體的總 信息反饋時,它在解空間中的行進方式是 完全是沒有規律的,只有受整個智能群體 在解空間行進結果的影響之後才能表現出 具有合理尋優特徵的行進模式,目前群智 能理論研究領域有兩種主要的算法,即本 文 的 粒 子 群 算 法 以 及 群 蟻 演 算 法 ( Ant Colony Optimization, ACO )。雖然目前對 群體智慧的研究仍處於初級階段,但是由 於它在許多領域中都表現出令人滿意的尋 優性能,所以越來越受到相關領域學者的 關注。
1.1.2 粒子群算法 粒子群算法(PSO) 粒子群算法 粒子群算法
1995 年 Eberhart 和 Kennedy 兩 位 博 士 提出粒子群算法(PSO) [15] ,其屬於群智 慧演算法的一種,和基因演算法類似,是 一種群體優化的工具,兩種算法相較之 下,PSO 的優勢在於簡單容易實作並且沒 有許多參數需要調整。
粒子群算法是一種全局優化進化算 法,其想法來自於鳥類群覓食的行為,我 們想像有一群鳥類於空中隨機搜索食物,
而此區域中只有一個食物,但是所有的鳥 類都不知道食物在何處,唯一能知道的就 是食物和牠之距離,最簡單有效的就是搜
尋方式就是透過搜尋目前與食物最近鳥的 區域,不斷的迭代值到找到食物。
這些鳥類代表的就是每個優化問題的 解,稱之為粒子,透過上述的模式(即 PSO 演算法)將鳥群移動的概念轉化至解問題 解的可能解位置,每隻鳥,(即粒子),可 相互傳遞訊息,最後導引整個群體向可能 解之方向移動,直到達到收斂值。
目前在粒子群算法已有許多的文獻,
大約可分為對於群算法本身作改良的文獻 以及將 PSO 應用在實務上之文獻,而前者 也被提出可分為[9]參數的改進以及搭配 其他優化算法融合的兩種改良方向,前者 文 獻 如 直 交 粒 子 群 最 佳 化 演 算 法 (Orthogonal Particle Swarm Optimization, OPSO)[6]:將粒子群演算法(PSO)及直交 表實驗設計(OED)做搭配,藉由 OED 具有 優良經驗的推理能力,促使在廣大的搜尋 空間解中,達到快速收斂並強化搜尋最佳 解的能力;模擬退火的 PSO 算法[13]:將 模擬退火算法搭配 PSO 以解決 PSO 容易 陷入局部極值點的缺點;免疫 PSO 算法;
應用在一种新颖的串行小生境粒子群算 法;後者文獻眾多,如應用在在飛控系統 中的應用[5]、優化電梯群控系統[4]、搜索 土坡危險滑動面[3]、超導電纜參數優化 [12]、水下航行體水動力參數[10]、高速旅 客列車優化調度[7]等等…
1.2 均勻設計 均勻設計試驗 均勻設計 均勻設計 試驗 試驗 試驗[2]
在科學實驗的過程當中,通常會利用 許多假設來減少實驗結果的因素個數,以 節 省 時 間 上 的 浪 費 , 正 交 設 計 表 (Orthogonal Array, OA)是最常被使用到的 設計之一,其特點為「均勻分散、整齊可
比」,但是為了達到「整齊可比」,試驗點 的數目就必須多,在正交試驗中,試驗次 數為水平數的平方,此時,若水平數很大,
試驗次數就會以平方的倍數增加。於是,
數學家方開泰教授和王元教授在 1981 年 提出一種新的試驗設計方法-均勻設計:
均勻設計(Uniform Design)[9]就是只考慮 試驗點在試驗均勻散佈的一種試驗設計方 法,著重在試驗範圍內考慮試驗點分布的 均勻性,以通過最少的試驗來獲得最多的 訊息,故試驗次數比正交設計更少,所以 均勻設計特別適合用再多因素多水平的試 驗,目前已有文獻將之應用演算法中的初 始參數選擇,如將之與粒子群算法做搭配 並應用在飛控系統中 [5]。
二 二 二
二、 、 、研究方法 、 研究方法 研究方法 研究方法
2.1 粒 子 群 粒 子群 粒 子群 與 粒 子群 與 與 與 多 速粒子 群算 法 多 速粒子 群算 法 多 速粒子 群算 法 多 速粒子 群算 法 之 之
之 之原理與流程 原理與流程 原理與流程 原理與流程
2.1.1 粒子算法的基本原理 粒子算法的基本原理[1] 粒子算法的基本原理 粒子算法的基本原理
將每個個體看成 D 維空間中一個沒有 體積質量之微粒,在搜尋的空間中每個粒 子都以一個速度(Velocity)來決定它們飛 行的方向和距離,設微粒群體規模為 N,
其中每個微粒 i(i=1~N)在 D 為空間中的 座標位置:Xi(Xi1, Xi2, …,XiD),微粒 i 之速度定義為每次迭代中微粒移動的距 離:Vi(Vi1, Vi2,…, ViD),所以微粒 i 在第 d 維(d=1~N)在 D 維子空間之狀態更新方 程式如下:
1 1
2 2 1
1
1 ( ) ( )
+ +
+
+
=
− +
− +
=
n id n id n
id
n id n id n
id n id n
id n
id
V X X
X P r c X P r c wV V
其中 Pid:為目前微粒之最佳位置,稱 為個體極值。Pgd:為全局歷史最優位置,
稱為全域極值。w 為慣性權重,較大時利 於全局,收斂快但不容易得到精確解,反 之則適於局部解且易得精確值。c1、c2: 加速因子,為正常數,c1調整微粒飛向自 身最佳方向,表示受自身影響的程度,c2 調整微粒飛向全局最佳方向,表示受組織 影響的程度,當 c1=c =0 時微粒將以當前 速度貫性飛行,故只能搜尋有限的區域,
不易找到最佳姐解;c1=0 時,收斂速度比 標準快,容易陷入局部最佳解;c2=0,微 粒之前不會互相溝通,所以得到最佳解的 機率亦非常小,c1及 c2 通常相同且固定一 常數值,依據 Kenndy[18]的建議,學習因 子可依據問題特性來決定值的大小,但通 常設定為 2。r1、r2為介於 N(0,1)之間的 隨機亂數。
通常粒子速度變化範圍會被最大位 置、最小位置、最大速度以及最小速度所 限制[5]。。。 。
2.1.2 PSO 演 演 演算流程 演 算流程 算流程 算流程
(1)初始化所有的粒子,並隨機設置粒子 的初始值以及速度。
(2)計算每個微粒目標函數值。
(3)將每一個微粒的目標函數值與目前的 最佳位置 Pid之目標函數值比較,若較佳則 取代之。
(4)將每一個微粒目標函數值和群體中目 前最好的位置 Pgd 之目標函數值比較,若 較佳則取代之。
(5)利用公式(1)及(2)更新微粒的速度和 位置。
(6)若達到最大迭代次數或最小準則,則 終止程序並輸出結果,否到回到第(2)步,
其流程圖詳如圖 1 所示。
(1) (2)
開始
粒子群初始化
計算粒子目標函數值
計算個體歷史最優位置
計算全局歷史最佳位置
更新微粒之速度和位置
結束
終止條件 N
圖圖
圖圖 1:::PSO 演算流程: 演算流程演算流程演算流程
2.1.3 多速 多速粒子算法的基本原理 多速 多速 粒子算法的基本原理 粒子算法的基本原理 粒子算法的基本原理
在標準的粒子群算法中,是由速度來 決定搜索結果的,粒子藉由隨機的改變速 度尋找最佳位置,但是藉由觀察式(1)可 知,若 Xid非常接近 Pid和 Pgd,加上 w 值 趨近於零,粒子在 Pgd 領域內將會停止移 動並停止搜尋,形成了「早熟」的現象。
因此,最關鍵的因素就是要解決速度 的問題,MVPSO[14]原理就是讓粒子在同 一個方向以不同速度到達不同位置,選取 兩個極值更新粒子的速度進而逐步達到全 局最佳解。較大的速度會使粒子進行全局 的搜索,避免「早熟」現象,較小的速度 可以使粒子最細微的局部搜索以提高精解 度。以下為 MVPSO 每一代粒子的第 D 維
(1<=d<=D)的公式:
j id id j id
id id id
id id id
id j
id
id id
id id
id id id
id gd
id id id
id
v x x
v x x
v x x
v j a v
v a
v
v a
v
v x x
X P G r c
X P G r c wV V
+
= +
= +
=
∗
=
∗
=
∗
= +
=
−
+
− +
=
0 2 0 2
1 0 1
0 0 2
0 1
0 0 0
2 2
0 1
1 0 0
) (
) 2 (
) 1 (
) _
(
) _
(
M M
其中V 為第 d 維之參考速度;id0 Vidm
(m=1~j)為第 d 維之搜索速度;G_Pid為 第 i 個粒子在第 D 維不同速度上所經歷最 好的位置;G_Pgd為所有粒子在第 D 維不 同 速 度 上 所 經 歷 最 好 的 位 置 ; a(m) , m=1~j,速度變量係數,用來設定參考速 度與搜索速度之關係,當參考速度過大 時,a(m)應該使搜索速度降低,反之則增 加。本文建議 a(m)公式如下:
, ,
j 1 m
, 1
, 2 1
max min
max min
id id id
v j v
m
v j v
m
v v j v
m
<
…
=
<
+
≤
<
+
其中每個粒子的速度限定在一定的範圍 內;
=
m
vid
min min
max max
, ,
v v v
v v v
m id m id
<
>
a(m)=
(5) (3)
(4)
2.1.4 MVPSO 演算 演算 演算流程 演算 流程 流程[11] 流程
MVPSO 的算法流程與 PSO 相當 類似,其差異是各粒子擁有多個不同速度 值:
(1)初始化所有的粒子,並隨機設置粒子 的初始值以及速度。
(2)根據公式(3)及(4)計算每個粒子不同 速度和位置。
(3)計算每個粒子對應不同速度下的目標 函數值。
(4)將每一個微粒的目標函數值與目前最 好的目標函數值做比較,若較佳則取代之 並保存該粒子的位置為該個體最好的位置
(5)將每一個微粒的目標函數值與群體目 前最好的目標函數值做比較,若較佳則取 代之並保存歷史全局最優位置
(6)若目標函數值的誤差小於設定的活應 值欻或是超過限制的跌代次數及結束並輸 出結果,否則會到第(2)步。流程圖如圖 2 所示。
開始
粒子群初始化
計算每個粒子在不同的 速度和對應位置
計算個體歷史最優位置
計算全局歷史最佳位置
更新微粒之速度和位置
結束
終止條件 N
計算每個粒子在不同速度下 的目標函數值
圖 圖 圖
圖 2:::MVPSO 演算流程: 演算流程演算流程演算流程
2.2 兩種 兩種 MVPSO 模式介紹與比 兩種 兩種 模式介紹與比 模式介紹與比 模式介紹與比 較
較 較 較
本文使用兩種模式進行效能比較,模 式一[14]:w 值依線性遞減如下所示:
N N i
w i w w
w= 0+( f − 0) , =0K
其中wf 為最終值,w0為最初值,N 為粒 子迭代次數。
(6)
而模式二[18]:w 值為一隨機組合 式,如下:
2) 5 3 . 0
( r
w= +
其中r3為介於N(0,1)之間的隨機亂 數。
模式一的特性是其的慣性權值w值是 遞減的,優點是收斂速度快,而缺點則是 因為w有遞減的現象故容易陷入局部解之 中,發生「早熟」現象。而模式二則是透 過亂數的選取來決定慣性權值,隨機跳動 的速度使其不容易陷入局部解之中。
2.3 均勻設計試驗 均勻設計試驗 均勻設計試驗 均勻設計試驗
2.3.1 均勻設計表構造 均勻設計表構造 均勻設計表構造 均勻設計表構造
通常一個均勻設計表是用 Un(qs)來表 示,其中n為實驗次數,s為因素个數,q 為因素之水平,試驗個數和因素相同的設 計表以 Un(ns)來表示。每一個均勻數計表 都是一個方陣,設方陣有n行m列,每行
是{1,2….,n}的一個重新排列,表的第一行
{1,2,…,n}是一個子集合,構造方法如下。
(1)給定試驗數n,找到比 n小之整數 h,並使n與h之最大公因數為1,符合條 件的正整數組成一個向量h=(h1,…,hm)。
(2)均勻設計表的第j列生成公式:
] [mod n ih
u
ij=
j若以 n=9 為例,符合條件(1)之 h 集合為 (1,2,4,5,7,8),再依據步驟(2)做運算即可得 到U9(96),如表1:
表 表 表
表 1:::U: 9(96)
1 2 3 4 5 6 1 1 2 4 5 7 8 2 2 4 8 1 5 7 3 3 6 3 6 3 6 4 4 8 7 2 1 5 5 5 1 2 7 8 4 6 6 3 6 3 6 3 7 7 5 1 8 4 2 8 8 7 5 4 2 1 9 9 9 9 9 9 9
由構造方法可以列數是由試驗次數決 定,當 n為質數的時候,會有n-1列,而 不是質數時,表之列數會小於 n-1 列,例
如 n=6=2*3,此時以上述之生成方法均勻
設計表只有2列,針對此現象,王元與方 開泰[2]建議可將U7(76)表的最後一列去掉 來構造 U6,為區別於原本的 U6,將其計 作U*6(66)。
2.3.2 將均勻設計應用在 將均勻設計應用在 MVPSO 將均勻設計應用在 將均勻設計應用在
為了提高效率和解的精確度,本文將待 優化函數之維度D之最大最小值範圍分為 m個等分,以每一等份之中點為代表值。
則 可 使 用 兩 個 因 素 之 均 勻 設 計 表 搭 配 PSO/MVPSO。
此外,PSO 參數的初始值的設定是一 個很重要的問題,其參數的初始值不適合 隨機產生,但是卻也不能將所有的點帶入 運算,所以此時如何設定最有代表性的參 數以達到更高的效率是一問題。PSO在計 算前需要確定的粒子群初始群種和算法基 本參數:加速權重C1,C2及慣性權重w, 故 除上述之待優化函數之維度,亦將 C1、C2及w三個參數的最大最小範圍分為 m個等分,則PSO之參數選擇可以視為一 個D+3個因素,m個水平的均勻試驗設計 (7)
(8)
的問題,詳細步驟說明如下:
(1) 建構出Um(mD+3)設計表
(2) 將D個待優化的變量、C1、C2及w的 取值範圍分為 m 個等分,並取每個等 份的中點作為代表值。
(3) 根 據 Um(mD+3)均 勻 設 計 表 初 始 化
PSO/MVPSO之參數群。
2.4 四種優化函數 四種優化函數 四種優化函數 四種優化函數
說明四種優化函數之極值與其最佳 解,並列出在利用PSO與MVPSO進行函 數優化時各個函數設定之取值範圍。
(1) Rosenbrock Function:
( ) ∑− [ ( ) ( ) ]
= + − + −
= 1
1
2 2 2 1 5
1,..., 100 1
n
i
i i
i x x
x x
x f
在
(
x1,...,x5) (
= 1,1,1,1,1)
時,此函數有極 值 0,其中我們設定此函數之最大與最小 位置為:−10≤xi ≤10,∀i=1L5。(2)Rastrigrin Function:
( ) ∑ [ ( ) ]
=
− +
= n
i
i
i x
x x
x f
1 2 5
1,..., 10 10 cos 2π
在
(
x1,...,x5) (
= 0,0,0,0,0)
時,此函數有 極值 0,其中我們設定此函數之最大與最 小位置為:−5.12≤xi ≤5.12,∀i=1L5。(3)Shaffer Function:
( )
( )
]001 . 0 1 [
5 . 0 5
. 0
, 2
2 2 2 1
2 2 2 1 2
1
x x
x x Sin x
x
f + +
−
+
−
=
在
(
x1,x2) ( )
= 0,0 時,此函數有極值1, 其中我們設定此函數之最大與最小位置 為:−5≤ xi ≤5,∀i=1,2。該函數有無數個 極大點,其中只有一個(0,0)為全局最大 點,最大值為1。最大值峰週圍有一圈脊,取值均為0.990283,因此很容易陷入此處
之局部極大值,是一個很難的多峰值優化 函數。,
(4)michalewicz Function (1992) :
( )
(12) ) 20 sin(
) 4 sin(
5 . 21 ,
2 2
1 1
2 1
x x
x x
x x f
π π + +
=
在
(
x1,x2) (
= 11.6255,5.725)
時,此函數有極值38.8503,其中我們設定此函數之最
大 與 最 小 位 置 為 −3.0≤x1≤12.1 , 8
. 5 1
.
4 ≤ x2 ≤ 。該函數容易陷入局部最大 值38.732,38.6199,38.4291,33.0077等,
是一個很難的多峰值優化函數。
三 三
三 三、 、 、 、結果與討論 結果與討論 結果與討論 結果與討論
本文首先將兩種PSO與MVPSO的模 式應用在4種函數的優化上,共計16組測 試模型,再選出較佳的模型,針對較差的 優化函數做改良。改良方式先從增加多速 粒子之變量係數 m,從原本之變量係數 3 以3的倍數增加至71。最後再與均勻設計 做搭配以提升其優化概率。
3.1 兩組模式之比較 兩組模式之比較 兩組模式之比較 兩組模式之比較
首先使用PSO與MVPSO對上述函數
進行優化,粒子個數均為80,最大迭代步 數為3000,慣性權值從1.8遞減到0.08, 速度權重 C1,C2 均為 2,誤差值均為
0.000001,最大速度與最小速度分別為-10
(9)
(10)
(11)
和10,MVPSO多速粒子數目設為3個其 測試結果如表2及表3。
表 表 表
表 2:::模式一效能比較:模式一效能比較模式一效能比較 模式一效能比較
測試函數 測試函數測試函數
測試函數 PSO MVPSO PSO /MVPSO
最優概率最優概率
最優概率最優概率 最優概率最優概率最優概率 最優概率 CPU Time
1.Rosenbrock 0% 96% 2.07
2.Rastrigrin 27% 75% 2.1
3.Shaffer 57% 100% 1.69
4.michalewicz 0% 2% 0.6
表 表 表
表 3::::模式二效能比較模式二效能比較模式二效能比較模式二效能比較
測試函數 測試函數 測試函數
測試函數 PSO MVPSO PSO/MVPSO
最優概率最優概率最優概率最優概率 最優概率最優概率最優概率最優概率 CPU Time
1.Rosenbrock 1% 72% 2.29
2.Rastrigrin 21% 53% 0.79
3.Shaffer 58% 99% 1.69
4.michalewicz 0% 3% 0.22
我們可以發現無論是模式一或是模式
二,其MVPSO之最優概率皆大於PSO,
證明多速粒子算法的確較一般之粒子群算 法有更高的效率。而MVPSO 中,模式ㄧ 優化函數之最優概率也比模式二佳。這說 明模式一比模式二更適合與 MVPSO 搭 配。
此外,在模式一中,除了第四個函數 (michalewicz)之外,MVPSO之最優概率不 但較PSO佳,其CPU Time亦只有PSO的 0.48~0.59倍,顯示模式一之MVPSO是省 時卻又用擁有高效能之粒子群算法模型。
由於第 4 個函數(michalewicz)之最優 概率不佳,故本文針對模式一之第四個函 數來改良。首先以3為倍數來增加多速粒
子數目直到71,結果如下表4所示,可發 現當多速粒子數目等於1時,PSO之最優 概率為 0%,而以等比遞增其多速粒子數 目後最優概率可達9%。
表 表表
表 4::::遞增遞增遞增遞增多速粒子數目多速粒子數目多速粒子數目多速粒子數目與其最優概率與其最優概率與其最優概率與其最優概率 多速多速多速
多速粒子數目粒子數目粒子數目 粒子數目 最優概率最優概率最優概率最優概率
1 0%
3 2%
9 6%
27 8%
71 9%
3.2 搭配 搭配均勻設計 搭配 搭配 均勻設計 均勻設計 均勻設計
將PSO/MVPSO與均勻設計搭配,第
一個搭配方式為仍固定上述之參數,只對 待優函數(michalewicz)之兩個變數之取值 範圍做均勻設計,並取9個水平尺度,使 用U9(92)之均勻設計表,PSO與多速粒子
數目為9、27之MVPSO做試驗,可看出
隨著速度變量係數的增加,優化概率從0%
提升至5%,詳如表5所示。
表 表 表
表 5:::MVPSO 搭配: 搭配搭配搭配均勻設計均勻設計均勻設計均勻設計 均勻設計表
均勻設計表 均勻設計表
均勻設計表 多速粒子數目多速粒子數目 多速粒子數目多速粒子數目 1 9 27 )
9 ( 2
U9 0% 1% 5%
) 9 ( 5
U 9 2% 5% 14%
) 21 ( 5 U21
5% 7% 21%
第二種搭配方式:除原本待優函數
(michalewicz)的兩個變數之取值範圍,另
加入C1、C2、w為因素,共5個因素,亦 取9個水平尺度並選擇三個均勻設計表最 搭配:U9(95)、U21(215),列出結果如 表 5,可以看出隨著分割水平數以及多速 粒子數目的增加,優化概率逐漸提升,最 高之優化概率已達21%,相較於未搭配均 勻設計之前之最優概率為 0%,搭配均勻 設計的確可有效提升 PSO/MVPSO 之效 能。表 5 之結果亦顯示 MVPSO(多粒子
數目>1)搭配均勻設計之結果皆優於PSO
(多粒子數目=1)搭配均勻設計之結果。
四 四
四 四、 、 、 、結論 結論 結論 結論與 與 與 與未來展望 未來展望 未來展望 未來展望
經過四個多模函數優化測試可得知,
模式一將慣性w值逐次遞減的方法較模式 二將其設為一隨機參數的方法更易得到最 佳解
多速粒子群算法(MVPSO)是一種改 良的粒子群算法,其最佳優化概率不但較 粒子群算法(PSO)好,花費的時間卻也不一 定增加,甚至會減少。最明顯的例子就是 模式一之Rosenbrock Function,它由原本 的 0%提升至 96%,但只花費原本一半的 時間。
而增加其多速粒子數目亦可有效提升 效能,當速度變量係數由 1 個增加到 71 個的時候,多模函數 michalewicz(1992)之 最優概率可由0%提升至8%。
最後搭配均勻設計,可以知道水平數 越高,則會將取值範圍切割越細,使用
) 21 ( 5
21
U* 之均勻設計表並設定多速粒子 數目為27可將原本使用PSO算法只有0%
之多模函數 michalewicz(1992)函數提升至 21%。
PSO是一種新興的優化算法,它的應 用大多都是依靠經驗和實驗而來,IEEE進 化計算會議PSO專集(Guest Editorial-
Special Issue on Particle Swarm Optimization)[16]曾指出 PSO 之主要問題 有算法收斂性的分析、粒子群拓墣結構、
參數選擇與優化、搭配其他進化算法等 等…,其數學基礎薄弱,在收歛理論、計 算效能、實現技術和參數設置都缺乏嚴密 的數學基礎,未來在這些課題都是可進一 步研究的方向。
五 五 五
五、 、 、參考文獻 、 參考文獻 參考文獻 參考文獻
[1] 王良、唐宇,微粒群演算法的研究現
狀與展望(The state of art in particle swarm optimization algorithms)。
[2] 方開泰, 均勻設計與均勻設計表,科
學出版社,北京。
[3] 李亮、遲世春、林皋、褚雪松、鄭明,
混合粒子群演算法搜索土坡危險滑動 面,工業建築 37卷2期,2007。
[4] 李桂芝、何萬里、錢偉懿,基於改進
粒子群演算法優化電梯群控系統,渤 海大學學報(自然科學版) 28卷1期,
2007/03 。
[5] 李廣文、章衛國、李建、劉小雄,基
於均勻設計的粒子群演算法及其在飛 控系統中的應用,計算機應用 27卷3 期,2007/03。
[6] 林宏穗,設計一種新型的直交粒子群
最 佳 化 演 算 法 (Design of a Novel Orthogonal Particle Swarm Optimization)
[7] 高立群、任蘋、李楠,基於混沌粒子
群演算法的高速旅客列車優化調度,
東北大學學報(自然科學版) 28 卷 2 期,2007/02。
[8] 康琦、汪鐳、安靜、吳啟迪,群體智能
計算(Swarm Intelligent Computation)。
[9] 崔長彩、李兵、張認成,粒子群優化算
法(Particle Swarm Optimization)。
[10] 陳瑋琪、顏開、史淦君、王士同、劉
志勇,水下航行體水動力參數智慧辨識 方法研究,船舶力學 11 卷 1 期,
2007/02。
[11] 辜文元,多目標直交粒子群最佳化演
算法(Multiobjective Orthogonal Particle Swarm Optimization),2005。
[12] 劉新穎、王曙、;邱捷,改進粒子群演
算法及其在超導電纜參數優化中的應 用,西安交通大學學報 41 卷 2 期,
2007/02。
[13] 謝勝利、高鷹,基于模拟退火的粒子
群 优 化 算 法 ( Particle Swarm Optimization Algorithms Based on Simulated Annealing)。
[14] Bo Wang, Yunlong Dong, CanLin Wang,
“QinLin Qu. A new particle swarm optimizer algorithm and application”, Systems and Control in Aerospace and Astronautics, 2006.
[15] J. Kennedy and R. C. Eberhart, “Particle swarm optimization,” in Proc. IEEE Conf. Neural Networks IV, Vol. 4, pp.
1942-1948, 1995.
[16] Russell C. Eberhart ,Yuhui Shi, IEEE
TRANSACTIONS ON
EVOLUTIONARY COMPUTATION, VOL. 8, NO. 3, JUNE 2004.
[17] http://www.souwu.com/bitfarmer/defaul t.asp
[18] http://www.engr.iupui.edu/~shi/