PSO算法

PSO算法介绍
PSO算法通过个体之间的协作和竞争，个体遵循一定的规则运动实现复杂空间中最优解的搜索。PSO算法首先是在可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，每个粒子由位置、速度、适应度值三个指标来表示该粒子，其中适应度值是由适应度函数确定的，是表征粒子位置好坏的量。粒子在解空间中运动，通过跟踪个体最优解Pbest和群体最优解Gbest 来更新个体位置，每更新一次位置，就计算一次粒子的适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值来更新个体极值和群体极值位置。
粒子群算法的主要步骤如下:

  第一步:对粒子群的随机位置和速度进行初始设定，同时设定迭代次数。第二步:计算每个粒子的适应度值。

  第三步:对每个粒子，将其适应度值与所经历的最好位置Pbest;的适应度值进行比较，若较好，则将其作为当前的个体最优位置。

  第四步:对每个粒子，将其适应度值与全局所经历的最好位置Gbestg的适应度值进行比较，若较好，则将其作为当前的全局最优位置。

  第五步:根据公式(1), (2)对粒子的速度和位置进行优化，从而产生新的粒子。

  第六步:如未达到结束条件(通常为最大循环数或最小误差要求)，则返回第二步。

  本案例群体的粒子数为20,每个粒子的维数为2,算法迭代进化次数为100。

加速度因子c1= 1.4，c2= 1.5。
w叫做惯性因子，其值为非负。

  其值较大，全局寻优能力强，局部寻优能力弱;其值较小，全局寻优能力弱，局部寻优能力强。

  动态w能获得比固定值更好的寻优结果。动态w可在PS0搜索过程中线性变化，也可以根据PS0性能的某个测度函数动态改变