【十问十答】粒子群算法（PSO）

目录

1. 粒子群算法基本思想是什么？

2. 标准PSO 算法流程是什么？

3. 采用粒子群优化权值和偏差值的方式训练模型有何优势？

4. 速度和位置更新公式中的参数含义

5. 参数分析与设置

6. PSO伪代码是什么

7. PSO优缺点是什么

8. PSO有什么应用

9. PSO实例1--优化神经网络权重Python

10. PSO实例2--求解函数最值Python

---

1. 粒子群算法基本思想是什么？

粒子群优化算法（Particle swarm optimization, PSO）的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。

2. 标准PSO 算法流程是什么？

1）初始化一群微粒(群体规模为N)，包括随机位置和速度；
2）评价每个微粒的适应度；
3）对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前的最好位置pbest；
4）对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前的最好位置gbest；
5）根据公式(2)、(3)调整微粒速度和位置；
6）未达到结束条件则转第2）步。

迭代终止条件根据具体问题一般选为最大迭代次数Gk或(和)微粒群迄今为止搜索到的最优位置满足预定最小适应阈值