本文介绍了粒子群优化算法（PSO）的基本原理，它是一种基于进化算法的优化方法，模仿鸟群捕食行为。每个粒子具有速度和位置属性，并通过迭代更新，追踪自身和全局最优解。速度和位置的更新公式包含惯性因子、学习因子及随机数。文章还提及了Python实现PSO的过程，并提到了未实现的惯性衰减系数和参数设定问题。
参考：
http://yarpiz.com/440/ytea101-particle-swarm-optimization-pso-in-matlab-video-tutorial
https://blog.csdn.net/wang454592297/article/details/80367158#comments
感谢大佬们的代码，希望自己早日出坑，本来想直接MOPSO结果跪了。。
粒子群优化算法（Particle Swarm Optimization，PSO）
属于进化算法的一种，是通过模拟鸟群捕食行为设计的。
设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
所有的粒子具有以下两个属性：速度、位置。
在每一次迭代中，粒子通过跟踪两个"极值"来更新自己。第一个就是粒子本身所找到的最优解pbest。另一个极值是整个种群目前找到的最优解，即全局极值gbest。
速度公式：
v i + 1 = w ∗ v i + c 1 ∗ r a n d 1 ∗ ( p b e s t i − x i ) + c 2 ∗ r a n d 2 ∗ ( g b e s t i − x i ) v_{i+1}=w \ast v_{i} +c_{1} \ast rand_{1} \ast (pbest_{i}-x_{i})+c_{2} \ast rand_{2} \ast (gbest_{i}-x_{i}) vi+1=w∗vi+c1∗rand1∗(pbesti−xi)+c2∗
最低0.47元/天 解锁文章
4万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
