python粒子群优化算法_经典优化算法 | 粒子群算法解析

粒子群算法(PSO)基本思想

粒子群(PSO)算法最早是由美国电气工程师Eberhart和社会心理学家Kennedy在1995年基于群鸟觅食提出来的。

群鸟觅食其实是一个最佳决策的过程， 与人类决策的过程相似。Boyd和Re chars on探索了人类的决策过程，并提出了个体学习和文化传递的概念。根据他们的研究成果，人们在决策过程中常常会综合两种重要的信息：第一种是他们自己的经验，即他们根据以前自己的尝试和经历，已经积累了一定的经验，知道怎样的状态会比较好；第二种是其他人的经验，即从周围人的行为获取知识，从中知道哪些选择是正面的，哪些选择是消极的。

同样的道理，群鸟在觅食的过程中，每只鸟的初始状态都处于随机位置，且飞翔的方向也是随机的。每只鸟都不知道食物在哪里，但是随着时间的推移，这些初始处于随机位置的鸟类通过群内相互学习、信息共享和个体不断积累字觅食物的经验，自发组织积聚成一个群落，并逐渐朝唯一的目标-—食物前进。每只鸟能够通过一定经验和信息估计目前所处的位置对于能寻找到食物有多大的价值，即多大的适应值；每只鸟能够记住自己所找到的最好位置，称之为局部最优(p best) 。此外， 还能记住群鸟中所有个体所能找到的最好位置， 称为全局最优(g best) ， 整个鸟群的觅食中心都趋向全局最优移动， 这在生物学上称之为“同步效应”。通过鸟群觅食的位置不断移动，即不断迭代，可以使鸟群朝食物步步进逼。

在群鸟觅食模型中，每个个体都可以被看成一个粒子，则鸟群可以被看成一个粒子群。假设在一个Ｄ维的目标搜索空间中，有m个粒子组成一个群体，其中第i个粒子(i=1，2，…，m)位置表示为

，即第i个粒子在Ｄ维搜索空间中的位置是

。换言之，每个粒子的位置就是一个潜在解，将X，代人目标函数就可以计算出其适应值，根据适应值的大小衡量其优劣。粒子个体经历过的最好位置记为

，整个群体所有粒子经历过的最好位置记为