粒子群优化算法（PSO）简介以及其C++风格框架

粒子群优化（particle swarm optimization, PSO）算法 是由 Kennedy, J.和 Eberhart, R. (1995) 提出的一种群智能计算方法，与更著名且经典的遗传算法类似，同为进化算法。

一个系统里面有若干个粒子，每个粒子代表一个问题的候选解，而这些粒子在系统的控制下根据一定的方法进行迭代更新（进化），直到最后系统会输出全局最优解。更详细地，在算法的运行过程中，这些维护中的粒子以一定的策略在解空间进行搜索，并且把搜索结果放入目标函数进行衡量，如果结果更优则会被记录下来，以用于进一步的进化。达到一定的条件（确定的迭代次数或一定程度的目标值），算法就会停止，并输出此时获得的最优解。

值得一提的是，PSO 所获得的解并不是理论上的最优解。因为对于诸多所谓的 NP-hard 问题（就是说使用确定性算法时间复杂度会非常高，高到不能接受）情况下，实际并不需要理论最优解，而只需要一个满足一定条件，符合工程需求的次最优解就能解决问题。而 PSO 所获得的正是这样的一个次最优解。

下面具体看看算法。PSO 核心公式有两个：速度更新公式与位置更新公式。

在公式（1）中，Vid( t+1) 表示第 i 个粒子的第 d 维在 （t+1）时刻的速度值，pid 为 第 i 个粒子第 d 维时刻的个体最优， pgd 为当前种群内的全局最优， xid 则为该粒子当前的位置。除此， c1, c2 表示两个参数，被称为个体学习因子与全局（环境）学习因子，r1， r2 为随机数，在0-1之间。

公式（2）更好理解，一个速度 vid 与当前位置 xid 相加，获得新的位置 xid。

PSO是模拟鸟群的算法，有一堆哲学上的说明与数学上的证明，这里都不说。只要记住上面两个公式，慢慢就会全方位理解 PSO 的设计思想。

算法的具体步骤如下

1. 初始化一群粒子，随机初始位置与速度
2. for T 个循环
3.     for 每个粒子
4.         用（1）更新速度，用（2）更新位置