粒子群算法（PSO）由Eberhart和Kennedy于1995年提出，模仿鸟群觅食行为，用于搜索最优解。算法由群体中的粒子构成，每个粒子代表可能的解，通过迭代调整速度和位置。粒子的飞行速度受到自身历史最优位置和社会最优位置的影响，惯性权重在局部和全局搜索间起平衡作用。适当设置惯性权重能提高找到全局最优解的概率。
1.简介
1995年美国电气工程师 Eberhart 和社会心理学家 Kennedy 基于鸟群觅食行为提出了粒子群优化算法（particle swarm optimization，PSO），简称粒子群算法。该算法概念简明、实现方便、收敛速度快、参数设置少，是一种高效的搜索算法。
粒子群算法是模拟鸟群飞行觅食的行为，通过鸟之间的集体协作使群体达到最优。尽管每个个体的行为准则是很简单的，但是组合成的整个群体的行为将会是非常复杂的。
此算法基于群体迭代，群体在解空间中追寻最优粒子进行搜索。
2.粒子群算法
在粒子群算法中，每一个个体称为一个“粒子”，其实每一个粒子代表着一个潜在的解。
在一个D维的目标搜索空间中，每个粒子看成是空间内的一个点。假设群体由m个粒子构成。m为粒子群的群体规模，但在实际应用的过程中我们需要选择合适的m值，m过大的话会影响算法的收敛速度和收敛性。
：为第i个粒子(i=1,2,......,m)在D维空间中的矢量位置；(根据事先设定好的适应值函数可以计算
当前的适应值，以评估当前位置的好坏)
：为第i个粒子(1=1,2,......,m)的飞行速度，即粒子移动的距离；
：粒子i迄今为止搜索到的最优位置；
最低0.47元/天 解锁文章
扫一扫
3353
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
