多目标粒子群_粒子群（PSO）算法的理解与应用

最近在学习粒子群算法，看了很多资料都有点摸不清头脑，直到看了一篇博客中超级简洁的粒子群C++实现代码，才明白粒子群算法的原理，真心感谢博主，在此贴出博主的博客地址：

http://blog.sina.com.cn/s/blog_4ed027020100c9lx.html

在前面的文章中，我们提到的梯度下降法、牛顿法、高斯-牛顿法，以及LM算法等都属于最优化算法，这些最优化算法的共同点是优化一组可能的解，使该解尽可能接近真实解。粒子群算法(也称为PSO算法)也属于最优化算法，但该算法与上述提到算法的主要区别在于，该算法同时优化多组可能的解，最后在多组可能的解中选择最接近真实解的一组作为最终解。每一组可能的解就是一个粒子，因此多组可能解组成了粒子群，这就是该算法名称的由来。下面将讲解我对粒子群算法的理解，并将该算法应用于一个简单例子的最优化求解。

1. 粒子群算法的核心思路

粒子群算法被提出的灵感来源于鸟群觅食。如下图，鸟群觅食过程中，每只鸟沿着各个方向飞行去寻找食物，每只鸟儿都能记住到目前为止自己在飞行过程中最接近食物的位置，同时每只鸟儿之间也有信息共享，它们会比较到目前为止各自与食物之间的最近距离，从各自的最近距离中，选择并记忆整体的一个最近距离位置。由于每只鸟儿都是随机往各个方向飞行的，各自的最近距离位置与整体最近距离位置不断被更新，也即它们记忆中的最近位置越来越接近食物，当它们飞行到达的位置足够多之后，它们记忆的整体最近位置也就达到了食物的位置。

抽象成数学模型，每只鸟儿就是一个粒子，食物的位置也就是问题的最优解，鸟儿与食物的距离也即当前粒子的目标函数值。比如要求z=x*x+y*y的最优解，设置粒子数为6个，如下图所示，相当于各个粒子在曲面上滚动，每个粒子i(0≤i≤5)记住自己滚动过程中(迭代)的最低位置(位置越低z值越小)Zi(0≤i≤5)，同时不同粒子之间也有交流，它们会比较Z0~Z5，从中取得一个最小值作为当前的全局最低位置。