计算智能——粒子群算法学习

一、概述

粒子群优化算法是什么？
它由谁提出的？

PSO模拟了自然界鸟群觅食的过程。通过群体的协作寻找到问题的全局最优解。
它是1995年由美国学者Eberhart和Kennedy提出的，现在已经广泛应用于各种工程领域的优化问题之中。

鸟群觅食现象

一群鸟在一片区域内搜寻食物,所有的鸟一开始都不知道食物具体在哪里。

假设它们能感知：

• 当前位置和以往飞行的位置哪个离食物更近，
• 以及通过群体协作知道哪只鸟的位置离食物最近

每只鸟根据自己的飞行经验和群体中距离食物最近的鸟的指引，不断的调整飞行方向。

所有的鸟向离食物最近的鸟靠拢，去搜寻该鸟周围的区域，直到最终找到食物。

---

二、粒子群算法的基本原理

• 个体最优位置：
  计算粒子当前位置的适应度函数
  与它飞过的最优位置的适应度函数进行比较，得出个体最优位置
  代表了粒子本身的飞行经验（个体认知）。

• 局部最优位置：
  计算所有粒子的适应度函数，比较得到一个最优适应度值
  其对应粒子的位置就是局部最优位置
  它代表群体协作（社会指引）

• 每只鸟（粒子）都根据自己的飞行经验和群体协作，不断调整自己的飞行方向向距离食物最近的鸟靠拢，搜寻该鸟周围的区域，直到找到食物的位置。

上述过程，在算法中是通过更新粒子的速度和位置来模拟。粒子具有位置和速度的属性。

---

三、如何进行粒子的个体速度与位置的更新？

• 粒子的个体速度与位置更新公式

---

四、算法流程

---

五、PSO的改进措施

补充：

---