Matlab粒子群算法（PSO）优化程序——经典实例

粒子群算法（ Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。鸟群中有个体和群体，个体和群体的信息是可以互通的。个体在随机搜寻食物的过程中，只要跟踪离食物最近的群体，就能最有效地找到食物。

1.一些基本概念
（1）粒子：优化问题的候选解，指鸟群中的一个个个体；
（2）位置：候选解所在的位置，即鸟群个体的位置；
（3）速度：粒子的移动速度；
（4）适应度：评价粒子优劣的值，一般为优化目标函数的数值；
（5）个体极值：单个粒子迄今为止找到的最佳位置，就鸟群觅食而言，是单个个体能够发现距离食物最近的个体；
（6）群体极值：所有粒子迄今为止找到的最佳位置。

2.大概流程及经典公式
根据这些概念，可以大概知道流程：1）初始粒子；2）计算适应度值；3）定义初始个体极值与群体极值；4）更新粒子位置与速度；5）更新个体极值和群体极值。
在实际问题的解决中，构建目标函数是最重要的，也是最难的。而粒子群算法中最经典的部分在于步骤4）（更新粒子位置与速度），其公式如下：