保证收敛粒子群算法（guaranteed convergence pso，简称gcpso）

本科毕设是关于pso算法的，碰到了很多问题，所以想分享一下学习到的一些知识。

pso是用来寻找全局最优值的算法。所以对其公式进行的改造一般是为了避免落入局部最优。gcpso则是考虑到了速度更新公式中，第二三项对寻优结果可能造成的影响或者说弊端。

标准的pso模型在t+1时刻对粒子速度位置更新公式为

word里面的公式复制不过来，直接贴图片了。上标t代表迭代次数。w是惯性权重，即维持之前速度的比例。r是取值【0，1】的随机数。c1和c2分别代表认知和社会参数，即向自己历史最佳位置学习，和向全局历史最佳位置学习。所以公式（1）是速度的更新，分别和现在的速度，自身历史最佳位置还有全局历史最佳位置有关。

根据式（1），试想如果当前更新的粒子恰好属于历史最佳位置，即第二三项中的p和x相等。那么速度将只依赖于wv，因为后两项为0。如果当前粒子的速度特别慢，该粒子位置只会有很小的更新，没有跳出局部最优。所有粒子又会向它汇聚。于是所有的粒子就会在达到历史最优位置之后停滞。这样就导致了粒子群的过早成熟。甚至历史最佳位置不是局部最优点，仅仅是当前粒子群发现的最佳位置。gcpso就是为了解决这个问题。

所以为了避免这种情况，引入对历史最佳粒子的更新公式。（仅对历史最佳粒子更新（在速度更新之前，会对历史最佳位置进行更新））

v（t