algorithm - 粒子群优化算法

Question

粒子群优化中的gbest和lbest有什么区别，为什么叫Lbest PSO？

score 3 · Accepted Answer

粒子群优化 (PSO) 是一种随机的、基于种群的搜索方法。有许多个体或粒子在搜索空间中移动以寻找最佳解决方案。每个粒子位置都代表一个潜在的解决方案，并且该解决方案的优度/适合度由目标函数（被优化的函数）来衡量。

假设一个基本的 PSO 模型（具有惯性权重），粒子在搜索空间中的运动受三个因素控制：惯性权重分量、认知分量和社会分量。

惯性权重分量允许粒子在迭代之间保持一些动量。认知组件允许粒子的运动受到它在早期迭代中发现的良好位置的记忆的影响。社会成分将导致群中其他成员发现的好位置影响给定粒子的运动。

现在的问题是如何在群体中共享关于良好位置的知识。给定粒子可以与之通信的粒子集合称为其邻域。

一种策略是赋予粒子完整的知识；在这个策略中，所有的粒子都知道群体发现的最佳位置在哪里。这被称为全局最佳或gBest方法，因为粒子将全部被吸引到全局最佳位置。因此，一个粒子的邻域将是整个群体。

另一种策略是只允许粒子与其他粒子的子集通信。因此，粒子 P 将被吸引到其附近的粒子找到的最佳位置，但这不一定是迄今为止整个群体找到的最佳位置。因此，这种方法称为局部最佳或lBest方法。

定义邻域的方式称为邻域拓扑。如果将知识交换显示为图（其中节点代表粒子，边代表知识交换），gBest 方法将形成一个看起来像星形的全连接图。GBest 因此使用星形拓扑。

有许多不同的拓扑允许 lBest 方法。一种拓扑是环形，其中每个粒子仅与其他 2 个粒子通信。还有其他的如冯诺依曼、金字塔等。