009PSO算法

粒子群算法基本公式：

xi为粒子当前位置，vi为粒子当前速度；

ω是惯性权重，ω越大，越容易扩展搜索空间，有搜索新空间的能力越强，粒子达到最优解后可能还会继续进化！

c1，c2是学习因子，通常取2，有时候需要根据实际情况考虑速度限制！（比如离散PSO时需要定好vmax以避免函数值太过靠近0或1，从而不具备随机性）

r1，r2是随机值，取值为[0,1]；

pi为个体当前的最优解,gi为群体当前最优解；

xi为当前位置。

 

PSO算法参数分析

1. ω是惯性权重，ω为0时，当粒子处在全局最优解时该粒子就静止了（这会造成各个子粒子的全局搜索能力减弱，局部搜索能力增强）
2. c1，c2为学习因子，ω为惯性权重，这三者会影响运动惯性，使其具有全局搜索的能力，这三者的值越大，适应度较大的可能会冲出适应度高的区域，适应度低的有机会冲向适应度高的区域，整体可能呈现剧烈振荡的状态。
3. 当c1=0时，该PSO为全局PSO

          当c2=0时，该PSO为局部PSO

     4.群体规模越大，群体计算的准确度越高，但是计算的速度明显会下降！一般取种群密度为20-40

     5.当PSO不收敛时，可以考虑引入收敛因子K来保证收敛性，此时式子中可以不用ω

     6.离散二进制PSO，也就是位置函数xi的取值是0,1，引入sigmoid函数（类似神经网络中常用的激活函数）