智能算法之粒子群优化算法（PSO）

1.算法介绍

粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。[1]

2.算法原理

1.将问题的搜索空间类比于鸟类的飞行空间。

2.将每一只鸟抽象为一个无质量无体积的微粒（Particle)，用于表征每个候选解。

3.优化寻求最优解等同于鸟群寻找食物。

4.PSO为每个微粒制定了类似于鸟类运动的简单行为规则，从而使整个微粒群的运动表现出与鸟类觅食类似的特性，用于求解复杂优化问题。

3.算法流程

假设在D维搜索空间中，有m个粒子；
其中第i个粒子的位置为矢量
其飞翔速度也是一个矢量，记为
第i个粒子搜索到的最优位置为
整个粒子群搜索到的最优位置为
第i个粒子的位置和速度更新为：

4.优缺点

优点：
(1)易于实现；
(2)可调参数较少；
(3)所需种群或微粒群规模较小；
(4)计算效率高，收敛速度快。

缺点：
基本PSO虽然收敛速度快，但有时会陷入局部最优。

[1]链接：https://www.jianshu.com/p/a79a3d7be8cc