粒子群优化算法_优化类——粒子群算法（PSO）

  更多精彩推荐，请关注青大数模学会   

今天小编给大家分享一个优化算法，粒子群优化算法(Particle Swarm Optimization，简称PSO)

---

粒子群算法，也称粒子群优化算法或鸟群觅食算法，是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。粒子群算法是一种并行算法，基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。

二维平面下粒子群优化寻找最优解

三维平面下粒子群优化寻找最优解

粒子群优化算法的基本核心是利用群体中的个体对信息的共享，从而使得整个群体的运动在问题求解空间中，产生从无序到有序的演化过程，从而获得问题的最优解。

下面有一个通俗的小例子：

假设你和我都是鸟，我们团队有N只鸟，要一起去森林捉一只虫子。我们在大森林里随机分开，谁都不知道虫子在哪里，但是都知道自己离虫子有多远。于是我拉了个微信群，大家在群里报告自己离虫子的距离。最后发现鸟P离虫子100米最近，我们决定都去鸟P那边找虫子，但是鸟Z在去往鸟P的过程中发现经过某个位置时，离虫子只有60米，于是在群里和大家说了一下，大家又临时决定调整速度，去鸟Z发现的那个位置去。但鸟E在去鸟S那边时又发现一个位置距虫子30米，......经过有限次这样的“再次发现-重新定位”过程，最终N个鸟找到了虫子。

这里去第k+1个点时的速度变化：

这里的k+1次的速度和k次的速度有如上关系，c1为社会学习因子、c2为个体学习因子、P差表示距离。

今天的分享就到这里啦！预祝大家在比赛中可以取得理想的成绩！

青大数模学会

学数建模 乐游未知

关注我们 一起成长