论文部分内容阅读
粒子族群最佳化(Particle Swarm Optimization,PSO)，可说是近年来比较新的演算法，相较於一些早期完善的演算法来说，例如基因演算法(Genetic Algorithm,GA)、模拟退火法(Simulated Annealing,SA)…等，PSO的性质及应用范围仍值得大家探讨与研究，蚁群演算法(Ant Colony Optimization,ACO)也是族群演算法中的一种新算法，也是当前研究的课题之ㄧPSO初始化为一群随机的物群(随机解)，然後透过叠代找到最佳解。主要的方法为其他粒子跟pbest及gbest的粒子靠拢，pbest是每一批次中最好的粒子所贡献的适应函数值，而gbest是一开始记录每批次中最好的适应函数，此值是全域的。在每一次叠代中，物群透过pbest、gbest来更新自己。当参数越多，所需之族群数越快速增加，叠代的次数也迅速的扩大，造成搜寻不易，所耗时间也越长。此时PSO能找出真实最佳值也会迅速下降，仅靠效仿邻居的概念，已不足以使PSO能很有效率找至最佳值，故介入了mutation(fromGA)的概率，使的粒子有机会脱离pbest及gbest的陷阱，经试误法得知mutationrate不能太大，也不能太小，在某一范围内，可以有效地改善PSO本身所掉入的陷阱。原始PSO透过叠代搜寻最优值，但是并没有用遗传演算法的交配(crossover)、突变率(mutationrate)以及择优(selection)，而是在追随最优的物群中进行搜索。本篇文章主要是将PSO加上突变率(mutationrate)做整合，当程式参数数目越大时，实验结果显示，程式在没加入突变率时成功次数非常低，甚至为零次，当加上突变率时成功机率大幅提昇，显示出本研究加入突变率是有有助於改善PSO的瓶颈。本篇论文所提出之改良法，对於改善PSO的缺点，可提供一些小贡献。