Matlab的粒子群算法的仿真研究 (2)
虽然人工生命(AL)领域与人工智能(AI)领域的确有明显的重叠区，但他们有截然不同的初衷和演生史。以研究是否以及如何实现模拟智能的人工智能研究，早在计算机诞生后的初期就已经兴起，然而以试图澄清emergent behaviors的本质的人工生命的研究者们，可以说一直不知其他人在做类似的工作而孤军作战，直到80年代末，这个领域才正式的诞生。
群体智能应该遵循五条基本原则:
(1) 邻近原则( Proximity Principle)，群体能够进行简单的空间和时间计算；
(2) 品质原则(Quality Principle)，群体能够响应环境中的品质因子；
(3) 多样性反应原则( Principle of Diverse Response)，群体的行动范围不应该太窄；
(4) 稳定性原则(Stability Principle) ，群体不应在每次环境变化时都改变自身的行为；
(5) 适应性原则(Adaptability Principle) ，在所需代价不太高的情况下，群体能够在适当的时候改变自身的行为。
群体智能具有如下特点:
(1) 控制是分布式的,不存在中心控制。因而它更能够适应当前网络环境下的工作状态,并且具有较强的鲁棒性,即不会由于某一个或几个个体出现故障而影响群体对整个问题的求解。
(2) 群体中的每个个体都能够改变环境，这是个体之间间接通信的一种方式,这种方式被称为“激发工作”(Stigmergy) 。由于群体智能可以通过非直接通信的方式进行信息的传输与合作,因而随着个体数目的增加,通信开销的增幅较小,因此,它具有较好的可扩充性。
(3) 群体中每个个体的能力或遵循的行为规则非常简单,因而群体智能的实现比较方便,具有简单性的特点。
(4) 群体表现出来的复杂行为是通过简单个体的交互过程突现出来的智能( Emergent Intelligence) ,因此群体具有自组织性。
现在已经有很多源于生物现象的计算技巧。 例如，人工神经网络是简化的大脑模型。遗传算法是模拟基因进化过程的。现在我们讨论另一种生物系统--社会系统。也可称为“群体智能”(swarm intelligence)。这些模拟系统利用局部信息从而可能产生不可预测的群体行为。
粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。最初设想是模拟鸟群觅食的过程。但后来发现PSO是一种很好的优化工具。
优化是科学研究、工程技术和经济管理等领域的重要研究课题。粒子群优化算法(简称PSO)是由Kennedy和Eberhart通过对鸟群、鱼群和人类社会某些行为的观察研究，于1995年提出的一种新颖的进化算法。虽然PSO算法发展迅速并取得了可观的研究成果，但其理论基础仍相对薄弱，尤其是算法基本模型中的参数设置和优化问题还缺乏成熟的理论论证和研究。鉴于PSO的发展历史尚短，它在理论基础与应用推广上都还存在一些缺陷，有待解决。本文通过对PSO算法的步骤的归纳、特点的分析，利用统计，通过Monte Carlo 实验方法，论证了该算法中关键参数因子、惯性权值、加速因子对算法整体性能的影响效果，并提出了参数设置的指导原则，给出了关键参数设置，为PSO算法的推广与改进提供了思路。
1.2 PSO相关参数
标准粒子群算法中主要的参数变量为 （惯性权值）， ， （加速因子）， ，本文重点对参数 ， ， 做数据统计实验。包括 不变的情况下通过 ， 变化找出加速因子对算法的影响。还有保持 ， 不变对 分别取不同值分析其对算法结果影响。
1.3 应用领域
近年来，PSO快速发展，在众多领域得到了广泛应用。本文将应用研究分典型理论问题研究和实际工业应用两大类。典型理论问题包括：组合优化、约束优化、多目标优化、动态系统优化等。