MATLAB实现基本的PSO粒子群算法优化目标函数（求函数最小值的解），写成函数的形式，并举例演示如何使用

       粒子群优化算法(Particle Swarm Optimization)是一种进化计算机技术(evolutionary computation)，源于对鸟类捕食行为的研究，是一种基于迭代的优化工具。事实上，像PSO这种同属于元启发式优化算法有很多，例如同样比较常用过的遗传算法，灰狼算法，鲸鱼算法等等，这些算法放在现在看并不新颖，近年来国外的一些期刊上有时还会出现一些新的优化算法，对于学者而言更倾向于用新的东西，不过在工程上，各种优化算法的效力往往是具备一定的通用性和针对性的，只消能解决特定的问题即可。元启发式的搜索算法因其简单便捷，至今仍在工程中广为受用。

       本文首先介绍最基本的PSO粒子群算法，其原理简单来说即是在初始时刻随机生成一系列无质量的粒子，在迭代中更新每个粒子的速度和位置，通过比较每次带入到目标函数中得到的适应值，逐渐向得到目标函数最优解的方向搜索。

       实际使用中，往往希望所使用的方法以函数的形式实现，例如对于本文的优化算，我们希望将算法写成MATLAB函数的形式，输入目标函数的格式以及算法的一些基本参数(粒子个数、迭代数目、自变量个数等等)，输出为优化后的最优解和最优解对应的最优值，即：

function [xm,fv] = PSO(fitness,N,c1,c2,w,M,D) 

       我在大量应用后，觉得这种形式的PSO算法用起来最为便捷，它源自《精通MATLAB最优计算》(龚纯)，这本书是我很推荐的一本书，很适合学习使用MATLAB做优化问题的初学者，有兴趣的读者可以找来看看（如果需要电子版可以私信哦）。

       其中除去fitness共有五个参数(fitness为目标函数的表达式)：

N：粒子数。粒子数的多少根据问题的复杂程度自行决定；

D：粒子的维度。因优化的问题而定，也就是目标函数自变量的个数；

M：最大迭代次数。迭代次数越多，找到的解越精确，但运行时间也会更长；

c1、c2：学习因子。粒子自我学习的能力，在迭代中更新速度和位置，向群体中的最优点靠近；

w：惯性权重。决定粒子下一次迭代对当前速度的继承程度，合理的权重会大大提升优化的效果。

      MATLAB代码如下：

function [xm,fv] = PSO(fitness,N,c1,c2,w,M,D)    %调用算法

format long;                                     %格式
for i=1:N                                        %从第一个粒子到最后一个粒子
    for j=1:D                                    %每个粒子的各个维度
        x(i,j)=randn;                            %随机初始化位置
        v(i,j)=randn;                            %随机初始化速度
    end
end

for i=1:N                                        %从第一个粒子到最后一个粒子
    p(i)=fitness(x(i,:));                        %每个粒子最初的适应值
    y(i,:)=x(i,:);                               %每个粒子最初的位置
end
pg = x(N,:);                                     %pg为最后一个粒子的位置
for i=1:(N-1)                                    %从第一个粒子到倒数第二个粒子
    if fitness(x(i,:))<fitness(pg)               %找到所有粒子中的最优解
        pg=x(i,:);                               %全局最优解的位置给pg
    end
end
for t=1:M                                        %从第一次迭代到最后一次
    for i=1:N                                    %从第一个粒子到最后一个
        v(i,:)=w*v(i,:)+c1*rand*(y(i,:)-x(i,:))+c2*rand*(pg-x(i,:));  %速度更新公式
        x(i,:)=x(i,:)+v(i,:);                    %位置更新公式
        if fitness(x(i,:))<p(i)                  %迭代过程中发现的更好的解
            p(i)=fitness(x(i,:));                %p(i)为自身经历最好解
            y(i,:)=x(i,:);                       %y(i)为自身经历最好位置
        end
        if p(i)<fitness(pg)                      %迭代过程中发现比当前全局最优解更好的解
            pg=y(i,:);                           %更新全局最优解
        end
    end
end
xm = pg';                                        %xm即最优解的位置
fv = fitness(pg);                                %fv即所求最优解

       下面举例展示该算法的使用方法。求下列函数的最小值：

 可见其最小值显然为30个自变量xi都为0的情况，下面看看使用PSO算法随机搜索的结果。首先将目标函数也写成函数的形式以便调用算法：

function F = fitness(x)
F = 0;
for i=1:30
    F = F +x(i)^2;
end

初始化PSO算法中的其余参数，显然维度为30，设置粒子个数为40，学习因子都为2，惯性权重取0.5，迭代步数取1000，可在命令行直接调用：

>> [xm,fv]=PSO(@fitness,40,2,2,0.5,1000,30)

运行结果：

xm =

   0.015182618546981
   0.056113959001443
  -0.143126140712600
   0.022860167253437
  -0.127635563896624
   0.195225136776349
   0.102347870030786
   0.352463218131993
   0.118609397526905
  -0.074127439939679
   0.046658256089637
  -0.000342509536136
   0.098550521522268
  -0.054312905711915
   0.010692762431556
  -0.072566163847757
  -0.027799811427568
   0.053671249569891
  -0.203234994078039
  -0.108330195389091
  -0.147415725943573
   0.038508698225266
   0.032561038908752
  -0.113458232978920
   0.009816961245335
   0.118488109121053
   0.048798837278477
   0.244461601731285
  -0.044001734533730
  -0.038658398115456

fv =

   0.426828387505738

        从求解结果可以看出，PSO算法并不能保证找到目标函数的最优情况，这也是随机搜索算法的通病，很多学者在各种优化算法上做了改进，以便增加其搜索的精度。事实上，在其他参数不变的情况下，加大迭代次数，求得的解的精度越高，对于本例若改成迭代次数为5000或10000，其搜索精度会大大提高。

       读者对MATLAB解决优化问题感兴趣可以看看这本书《精通MATLAB最优计算》(龚纯)，里边除了基本的PSO算法外还有介绍一些改进的PSO算法，以后有机会我也会学习后发文和大家分享。