PSO算法概述I

来源于文献[1]，对其进行整理

起源与背景

PSO算法最简单的模型是于1987年提出的名为Boid（Bird-oid）的模型，此模型被设计用于模拟鸟的行为，也是PSO算法的雏形。Boid（Bird-oid）模型的描述如下：

1. 鸟类的每个个体都由笛卡尔坐标系中的一个点表示，该点随机分配了初始速度和位置。
2. 根据“最接近的速度匹配规则”运行程序，以使一个个体的速度与其最接近的邻居的速度相同。
3. 以相同的方式进行迭代，所有点将快速地具有相同的速度。

由于这个初代模型过于简单并偏离实际，引入了一个随机变量将其添加至速度项，使整个模拟接近实际情况。Heppner设计了一个“cornfield model”来模拟一群鸟类的觅食行为。假设平面上有一个“cornfield model”，即食物的位置，开始时鸟类随机散布在平面上。 为了找到食物的位置，它们按照以下规则移动。

1. 假设食物（cornfield）的位置坐标为$(x_0,y_0)$，单个鸟类个体的位置坐标和速度坐标分别为$(x,y)$和$(v_x,v_y)$；当前个体的位置与食物之间的距离用于衡量当前个体的性能（距食物的距离越近，性能越好，相反，性能更差。）。
2. 假设每个个体都有记忆能力，并可以记住它曾经到达的最佳位置，记为$p_{best}$。$a$是速度调节常数。$rand$表示$U[0,1]$中的随机数，可以根据以下规则设置速度项的变化：
   如果$x>p_{best}^x$，则$v_x=v_x-rand\times a$，否则，$v_x=v_x+rand\times a$。
   如果$y>p_{best}^y$，则$v_y=v_y-rand\times a$，否则，$v_y=v_y+rand\times a$。
   $p_{best}^x$表示的是个体在$x$维度上曾经到达的最佳位置。
3. 然后假设鸟群模型可以以某种方式进行通信，并且每个个体都能够知道并记住迄今为止整个群体的最佳位置，记为$g_{best}$。$b$是速度调节常数，速度更新与上述类似：
   如果$x>g_{best}^x$，则$v_x=v_x-rand\times b$，否则，$v_x=v_x+rand\times b$。
   如果$y>g_{best}^y$，则$v_y=v_y-rand\times b$，否则，$v_y=v_y+rand\times$