单目标粒子群学习笔记（PSO）

1、粒子群算法的简介与描述

1.1粒子群算法的简介

1.2粒子群算法的简单描述

2、粒子群算法的原理与流程

2.1粒子群算法的基本原理

2.2粒子群算法的流程

2.3认识参数

2.4粒子群算法的流程图

3、粒子群算法的优缺点

3.1粒子群算法的优点

3.2 粒子群算法的缺点

4、粒子群算法的改进

5、粒子群算法的应用方向

 5.1标准粒子群算法的应用方向

1、粒子群算法的简介与描述

1.1粒子群算法的简介

       粒子群优化(PSO, particle swarm optimization)算法是计算智能领域，除了蚁群算法，鱼群算法之外的一种群体智能的优化算法，该算法最早由Kennedy和Eberhart在1995年提出的，该算法源自对鸟类捕食问题的研究。

       它的基本核心是将模型中的栖息地比作所求问题的解空间中可能解的位置，通过信息传递，引导群体向可能解的方向运动。模型中个体被抽象为没有质量和体积的“微粒”，通过“微粒”之间的互相协作和信息共享，把“微粒”的不断运动视为在复杂的解空间中寻找最优解的过程。

1.2粒子群算法的简单描述

       如前所述，粒子群算法是模拟鸟群的捕食行为，下面有一个例子能让我们更加直观的理解粒子群算法的基本思想。

       假设一个情景：试着想一下一群鸟在寻找食物，在这个区域中只有一只虫子，所有的鸟都不知道虫子在哪。但是它们知道自己的当前位置距离虫子有多远，同时它们知道离虫子最近的鸟的位置。想一下这时候会发生什么？

A：我是离虫子最近的。                                                A:我刚才的位置好像靠近食物，我要沿着那

B、C、D：我得赶快去找A。                                       个方向继续找更近的位置。

       所以，粒子群算法就是把鸟看成一个个粒子，并且他们拥有位置和速度这两个属性，然后根据自身已经找到的离食物最近的解和参考整个共享于整个集群中找到的最近的解去改变自己的飞行方向，最后我们会发现，整个种群大致向同一个地方聚集。而这个地方是离食物最近的区域，条件好的话就会找到食物。

2、粒子群算法的原理与流程

2.1粒子群算法的基本原理

PSO算法首先在可行解空间中初始化一群粒子，每个粒子都代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三项指标表示该粒子特征。

粒子在解空间中运动，通过跟踪个体极值（Pbest）和群体极值（Gbest）更新个体位置，个体极值Pbest是指个体所经历位置中计算得到的适应度值最优位置，群体极值Gbest是指种群中的所有粒子搜索到的适应度最优位置。

粒子每更新一次位置，就计算一次适应度值&