PSO算法1

理解

粒子群算法是一种逼近算法，它并不一定能获取到最优解。在求解可能性极大以至无法穷举的情况下，是一种有效的获取接近最优解的方案。在算法思想上，类似贪心算法和分治算法。

流程

1. PSO初始化一群随机粒子(位置，速度)
2. 迭代更新速度（速度跟踪自身位置，自身极值和全局极值），通过速度更新位置
3. 满足迭代次数或迭代效果即退出。

在这个算法中，核心是速度更新。如何即保持一定的随机性探索能力，又可以向已知极值收拢。

常用的速度更新公式如下，满足此公式的粒子群算法称为标准微粒群算法。

在实践中

Vmax一般设为每维变量变化范围的10%-20%

群体规模m 一般取20～40，对较难或特定类别的问题 可以取到100～200

惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大，全局寻优能力强，局部寻优能力弱

思考

如何取舍各个权重参数，需要根据我们实际情况去考虑，速度更新方法不一定需要根据这个标准的公式来。理解各个参数的含义及这个公式的所代表的含义，我们可以根据业务特性开发自己的速度更新方法。