https://choy-mutao.github.io/pso_30/original/Recent content in 标准粒子群算法 on MUHugozh-cnFri, 23 Aug 2024 00:32:43 +0800https://choy-mutao.github.io/pso_30/original/gbestlbest/Mon, 01 Jan 0001 00:00:00 +0000https://choy-mutao.github.io/pso_30/original/gbestlbest/gbest 模型(全局最优模型) 全局最优模型的PSO中,一般定义为: $$\hat{y}_t \in \left\{ \vec{p}_t^1, \vec{p}_t^2, \ldots, \vec{p}_t^s \right\} \mid f(\hat{y}_t) = \min \left( \left\{ f(\vec{p}_t^1), f(\vec{p}_t^2), \ldots, f(\vec{p}_t^s) \right\} \right)$$y作为目标粒子, 表示d维搜索空间中整个群或其邻域中最佳粒子的位置; 在 gbest 模型中，所有粒子都参考全局最优位置（全局最佳解）来更新自己的位置和速度。 全局最优位置是整个粒子群中所找到的最好的位置。 这种模型通常收敛速度较快，但容易陷入局部最优，因为所有粒子都朝向相同的目标移动。 lbest 模型(局部最优模型) 在 局部最优模型中, 如下定义一个粒子的符合线性排序邻居粒子: $$N_i = \left\{ \vec{p}_t^{i-l}, \vec{p}_t^{i-l+1}, \ldots, \vec{p}_t^{i-1}, \vec{p}_t^i, \vec{p}_t^{i+1}, \ldots, \vec{p}_t^{i+l-1}, \vec{p}_t^{i+l} \right\}$$则 lbest模型公式如下 $$\hat{y}_t \in N_i \mid f(\hat{y}_t) = \min \left( \left\{ f(\vec{a}) \right\} \right), \forall \vec{a} \in N_i$$ 在 lbest 模型中，每个粒子仅参考其邻域内的最优位置来更新自己的位置和速度。 邻域的定义可以是粒子群中的一小部分粒子，通常是该粒子周围的某个固定数量的邻居粒子。 这种模型能够更好地保持多样性，减少陷入局部最优的风险，但收敛速度可能较慢https://choy-mutao.github.io/pso_30/original/params/Mon, 01 Jan 0001 00:00:00 +0000https://choy-mutao.github.io/pso_30/original/params/https://choy-mutao.github.io/pso_30/original/performance/Mon, 01 Jan 0001 00:00:00 +0000https://choy-mutao.github.io/pso_30/original/performance/描述 PSO 的运行性能的参数 迭代次数 (在一次初始化后, 循环移动的次数) 失败次数 (在一次初始化后, 迭代至上限时, 没有得到结果, 算一次失败) 运行次数 (失败后重新初始化, 算一次运行) 成功率 (在一次迭代中, 得到收敛结果后, 不退出, 重新初始化, 至总运行次数上限, 其中成功次数的占比) 失败率 ( not 成功率)