小白笔记 --粒子群优化算法（PSO）--python实现

PSO算法流程：

1.初始化粒子参数：

粒子群规模、粒子维度、迭代次数、惯性权重、学习因子、迭代步长范围

2.随机初始化每个粒子的（位置，速度）：

个体、群体历史最优位置、适应值。

3.迭代：更新个体速度位置，个体最优适应值和位置--再更新群体；更新其他参数；

直到--两次迭代之间适应值最小差值（）可接受的满意解/最大迭代次数。

4.速度更新公式

其中，代表粒子自身惯性权重（较大有利于跳出局部最优，较小利于快速收敛找到最优，一般取值范围：（0.4，2），eg:0.9、1.2、1.5、1.8），d是粒子维度(自变量个数)，c代表学习因子（一般取值（0，4）eg:1.6,1.8），r代表[0,1]的随机数，增加搜索随机性。

       线性变化策略：随着迭代次数的增加，惯性权重ω不断减小，从而使得粒子群算法在初期具有较强的全局收敛能力，在后期具有较强的局部收敛能力。