粒子群算法（PSO）数学原理

粒子群算法（PSO）数学原理

一种启发式的优化方法，具体的例子就是：在一片区域内只有一块食物（极值），所有的鸟都不知道食物在哪里（初始化的粒子），但是它们能够感受到当前的位置距离食物多远（根据当前的最优值进行优化）。数学化的算法原理：初始化一组随机粒子，每一次迭代的粒子通过跟踪两个极值进行更新自己，这两个极值是关键，一个是根据自身找到的最优解，另一个是整个种群目前找到的最优值。

下面展开具体分析：

假设在第一个D维目标搜索空间中（D元函数），有N个粒子组成一个群落，其中第i个粒子是一个N维向量：
$$X_i=(x_{i1},x_{i2},x_{i3},...x_{iD}),i=1,2,3...,N$$
每一个粒子都有自己的速度，也是一个N维向量：
V i = ( v i 1 , v i 2 , v i 3 , . . . v i D ) , i = 1 , 2 , 3... , N V_i=(v_{i1},v_{i2},v_{i3},...v_{iD}),i=1,2,3...,N Vi​=(v