fit函数算法表示_智能优化算法—粒子群算法

粒子群算法以广泛应用于函数优化，神经网络训练，模式分类，模糊控制等领域。

一，粒子群算法简介

在自然环境中，有时我们会看到大群的鸟在天空盘旋，很多人肯定会有疑问，为什么这么多鸟几乎保持相同的速度飞行，并且不会混乱呢？对于这一问题，生物学家Craig Reynolds在1987年给了我们答案，他认为鸟群中每一个个体都遵循：避免与邻域个体相冲撞；匹配邻域个体的速度；飞向鸟群中心，且整个群体飞向目标。正是根据Craig Reynolds的启发，美国社会心理学家James Kennedy和电气工程师Russell Eberhart于1995年共同提出了粒子群算法（ Particle SwarmOptimization， PSO） ，粒子群优化算法模拟鸟类的觅食行为，将求解问题的搜索空间比作鸟类的飞行空间，将每只鸟抽象成一个没有质量和体积的粒子，用它来表征问题的一个可能解，将寻找问题最优解的过程看成鸟类寻找食物的过程，进而求解复杂的优化问题。

二，粒子群算法理论

在粒子群算法中，将被优化问题的每个解当作一只鸟，称之为粒子。所有的粒子都有一个由被优化的函数决定的适应度值（解的好坏程度），每个粒子还有一个速度（通俗点说就是调整位置的系数）决定它们飞翔的方向。然后，粒子们就追随当前的最优粒子在解空间中搜索。粒子群算法首先在给定的解空间中随机初始化粒子群，每个粒子有了初始位置与初始速度，然后通过迭代寻优。在每一次迭代中，每个粒子通过跟踪个体极值，和全局极值来更新自己在解空间中的空间位置与飞行速度，最终找到全局最优。

粒子群算法较为简单，不涉及很多的参数很公式，主要的就是位置（也就是适应度值)和速度两个参数。

三，粒子群算法种类

3.1 基本粒子群算法

假设在一个D维的目标搜索空间中，有N个粒子组成群落，其中第i个粒子表示为一个D维向量：

第i个粒子飞行速度也是一个D维向量：

第i个粒子迄今为止搜索到最优位置称为个体极值：

整个粒子群迄今为止搜索到的最优位置为全局极值：

在找到这两个最优值后，粒子群更新自己的速度和位置：

其中，

是学习因子（加速常数）；