粒子群算法（PSO）是一种模拟生物群体行为的优化算法，与蚁群算法等并列。它通过种群历史解来决定新解的搜索方向，包含初始化、适应度计算、最优解寻找、速度和位置更新等步骤。PSO的优点是简单、快速收敛和参数少，缺点在于某些问题上表现不佳且易陷入局部最优。与遗传算法相比，PSO信息共享单向，更侧重跟随当前最优解。实验表明，w、c1、c2、sizepop和dip的调整会影响算法性能和收敛速度。
一 定义
粒子群算法（也称PSO算法），也是一种进化算法，模拟生物群体的觅食行为，是一种群体智能算法，常见的群体只能算法有：蚁群算法，粒子群优化算法，菌群优化算法，蛙跳算法，人工蜂群算法等。PSO是通过当前已知种群寻找到的所有解来决定新的解的寻找方向，也就是新解的生成方式依赖于这些种群历史上寻找的所有解。
二 算法步骤
（1）初始化粒子群个体；
（2）计算每个个体的适应度值（函数值）作为评判好坏的标准；
（3）找到每个个体自己在所有迭代过程中的最优解Pbest；
（4）找到所有个体在所有迭代过程中的最优解Zbest；
（5）根据速度公式更新速度；
（6）根据位置公式更新位置；
（7）重复步骤二直至迭代次数结束
流程图：
三
归结公式：
：
参数：
c1 c2：加速因子
w：惯性权重
sizepop：群体规模
dim：适应度函数维度
最低0.47元/天 解锁文章
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
