微粒群优化惯性因子

Question

我正在阅读软计算算法，目前在“粒子群优化”中，我通常理解该技术，但是，我停在数学或物理学的一部分，我无法想象或理解它是如何工作的或者它如何影响飞行，这部分是方程，更新的第一部分，也就是所谓的“惯性因子” 速度完全更新速度方程为： 我在一篇文章中第2.3节读“ Ineteria Factor“：

”算法的这种变化旨在平衡两种可能的PSO倾向（de- 悬挂在参数化上）或者利用已知解决方案周围的区域 或探索搜索空间的新区域。要做到这一点，这个变化的重点是粒子速度方程2的动量分量。注意，如果你去掉这个分量，粒子的运动没有记忆的运动方向，它会一直探索关闭找到解决方案。另一方面，如果使用速度分量，或者甚至乘以aw（惯性权重，平衡动量分量的重要性）因子 ，粒子将倾向于探索搜索空间的新区域，因为它不能容易地改变 它的速度朝着最好的解决方案。它必须首先\抵消以前获得的势头，这样做能够探索新的区域，并花费时间“抵消”前一个势头。这vari- 通货膨胀是由具有重量 值之前的速度分量相乘，W实现“

完整的PDF在：https://www.google.com.eg/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&ved=0CDIQFjAA&url=http%3A%2F%2Fweb.ist.utl.pt%2F~gdgp%2FVA%2Fdata%2Fpso.pdf&ei=0HwrUaHBOYrItQbwwIDoDw&usg=AFQjCNH8vChXHXWz_ydHxJKAY0cUa94n-g

，但我也不能想象有physicaly或数字，这是happend以及这个因素如何影响从探索层面到开发层面的影响，所以需要一个数值例子来看看它是如何工作的，并想象它是如何工作的。寻找最佳的解决方案，是否有这样的PSO的athoerm。

Answer 1

使用数学解释PSO并不容易（例如参见Wikipedia文章）。 但是你可以这样想：方程有3个部分：

particle speed = inertia + local memory + global memory 

所以你在每个部分改变coefficientes控制这些部件的“重要性”。 除非让stocastic部分保持不变并忽略诸如粒子 - 粒子间的相互作用，否则没有任何分析方法可以看到这一点。

漏洞利用：利用最好的解决方案（本地和全球）。
探索：在新的方向上搜索，但不要忽视最好的解决方案。简而言之，您可以控制对于粒子当前速度（惯性），最佳已知解决方案的粒子记忆以及群体最佳解决方案的粒子记忆的重要性。

我希望它能帮助你！ 溴的

Answer 2

惯性不是由Kennedy和Eberhart于1995年推出的原始PSO算法它已经三年了，直到石和埃伯哈特发表本扩展显示（在某种程度上），它的作品更好的一部分。

可以将该值设置为常数（据推测[0.8至1.2]是最好的）。 然而，参数的重点在于平衡空间的开发和探索，并且作者在用线性函数定义参数时得到了最好的结果，该函数随着时间的推移从[1.4到0]降低。 他们的理由是，第一个人应该利用解决方案找到一颗好种子，然后开发种子周围的区域。

我的感觉是，你越接近0，颗粒越混乱。

有关详细的答案，请参阅Shi，Eberhart 1998年 - “改进的粒子群优化器”。