最优化算法（三）：PSO

1.介绍

     我这里就不去生动形象的举什么鸟类捕食的例子了，直接给出流程，基本的粒子群算法很简单，只用明确它每次迭代优化的方法就好了。同样PSO也是一个无约束的迭代求解的最优化算法，我们的目标是(这里的min只是举例子，真实情况不一定是求最小值，可能是求一个特定的f(x))：

                                                                                 

     N就是x所在的搜索空间的维度，我们的目标是要找到一个使得我们能达到目标，一般f(x)被称为适应函数，初始化的时候我们是要随机生成M（自己定）个x值（即种群），每个x值会初始化一个变化速度v，这个变化速度是一个向量，它的维度和x是一样的，因为你肯定在不同的维度有不同的变化，之后就是随机初始化全局最优（什么叫全局最优？就是这M个x中令适应函数更接近目标的x就是全局最优值）和个体最优（什么叫个体最优？我么的算法在不断的迭代的，对于种群中的每个x我们都会记录他的适应函数值，最好的那个值对应的x就是个体最优），然后我们在每一次迭代中都会向全局最优值和个体最优值学习，这里的学习会有一个学习权重，代表着它们是更相信种群还是更愿意保持自己的优势，那学习它们的什么呢？当然是学习它们的位置和变化速度了，这就是我最开始说的你需要明白的每次迭代优化的方法，下面详细介绍流程和更新公式。

2.流程

     输入：目标求解函数f(x)，以及种群大小M，目标求解值K，c1，c2，w

     输出：当f(x)=K时x的取值 

     step1：初始化M个x（种群）的x值（N维）和速度v（N维）

     step2：对于每个x计算适应度值f(x)，并得到每个粒子的个体最优pbest和种群当代的最强粒子gbest     

     step3：对于每个粒子，将本次迭代的适应度值和pbest比较，如果比它大就更新pbest，同理更新gbest

     step4：按下列公式更新每个x的值和它的变化速度（w是惯性指数，即粒子保持自身的系数）：