【超参数寻优】量子粒子群算法（QPSO） 超参数寻优的python实现

一、粒子群算法的缺点

本人之前的博文（参考资料【1】）已经详细介绍了PSO算法，学习本博文前需要先学习PSO算法。

PSO算法的缺点：
1、需要设定的参数（惯性因子$w$，局部学习因子$c_1$和全局学习因子$c_2$）太多，不利于找到待优化模型的最优参数。
2、粒子位置变化缺少随机性，容易陷入局部最优的陷阱。

二、量子粒子群算法

量子粒子群优化（Quantum Particle Swarm Optimization，QPSO）算法取消了粒子的移动方向属性，粒子位置的更新跟该粒子之前的运动没有任何关系，这样就增加了粒子位置的随机性（参考资料【2】）。
量子粒子群算法中引入的新名词：
mbest：表示pbest的平均值，即平均的粒子历史最好位置。
量子粒子群算法的粒子更新步骤：
步骤一：计算mbest

$M_{best}=\frac{1}{M}\sum _{i=1}^M{p}_{best\_i}$

其中$M$表示粒子群的大小，$p_{best\_i}$表示当前迭代中的第$i$个$pbest$。

步骤二：粒子位置更新

P i = ϕ ⋅ p b e s t _ i + ( 1 − ϕ ) g b e s t {P_i} = \phi \cdot {p_{best\_i}} + (1 - \phi )gbest Pi​=ϕ⋅p