多目标优化学习：PSO

粒子群优化算法

基本思想： 通过群体中的个体之间的信息共享与个体间的协作寻找最优解
优点： 了解之后其实比传统的遗传算法更容易操作
原理： 粒子群算法中，每个粒子即解空间中的一个解（个体） 每个粒子通过自己的移动经验以及群体中其他粒子的移动经验来调整自己的移动
每个粒子在移动过程中，经历的最好的位置被称为粒子的最优解（局部极值）
而群体中所有的粒子移动时都经过 的一个点为这个群体的最优解（全局极值）
和遗传算法相同，判断位置好坏的标准为适应度
每个粒子通过局部极值和全局极值来产生新的个体
抽象化： 鸟被抽象为没有质量和体积的微粒(点)，并延伸到N维空间。每个粒子有属性：位置与速度，粒子i在N维空间的位置表示为矢量Xi＝(x1，x2，…，xN)，飞行速度表示为矢量Vi＝(v1，v2，…，vN)。每个粒子都有一个由目标函数决定的适应值(实际操作时一般用fitness表示)，并且知道自己到目前为止发现的最好位置(p_best)和现在的位置Xi。这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(g_best，g_best为所有p_best中的最优)，这个可以看作是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的移动。
第i个粒子的位置为Xi，其局部最优为p_best[i]。
公式化：

c1、c2： 常数，被称为学习因子
rand()、Rand()：[0,1]区间上的随机数，暂时比较迷
w： 惯性权重