粒子群优化算法PSO详解-CSDN博客

本文链接：https://blog.csdn.net/chl033/article/details/6008988

PSO是一种演化计算技术，源于对社会模型的模拟，如鸟群运动。算法基于群体智能，个体在D维空间中动态调整速度，寻找最优解。微粒的移动受自身最好位置和全局最好位置影响，通过惯性权重、加速常数和随机因素控制。标准PSO算法流程包括初始化、适应度评价、更新最好位置和速度，直至达到结束条件。参数如群体规模、惯性权重、加速常数和最大速度影响搜索效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

微粒群算法，又称粒子群优化(Particle Swarm Optimization, PSO)，是由J. Kennedy和R. C. Eberhart等于1995年开发的一种演化计算技术,来源于对一个简化社会模型的模拟。其中“群(swarm)”来源于微粒群符合M. M. Millonas在开发应用于人工生命(artificial life)的模型时所提出的群体智能的5个基本原则。“粒子(particle)”是一个折衷的选择,因为既需要将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。

PSO算法最初是为了图形化的模拟鸟群优美而不可预测的运动。而通过对动物社会行为的观察，发现在群体中对信息的社会共享提供一个演化的优势，并以此作为开发算法的基础。通过加入近邻的速度匹配、并考虑了多维搜索和根据距离的加速，形成了PSO的最初版本。之后引入了惯性权重w来更好的控制开发(exploitation)和探索(exploration)，形成了标准版本。

原理：

PSO算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。然而它不对个体使用演化算子，而是将每个个体看作是D维搜索空间中的一个没有体积的微粒（点），在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为Xi = (xi1, xi2, …, xiD)，它经历过的最好位置（有最好的适应值）记为Pi = (pi1, pi2, …, piD)，也称为pbest。在群体所有微粒经历过的最好位置的索引号用符号g表示，即Pg，也称为gbest。微粒i的速度用Vi = (vi1, vi2, …, viD)表示。对每一代，它的第d维(1 ≤ d ≤ D)根据如下方程进行变化：

vid = w*vid+c1*rand()*(pid-xid)+c2*Rand()*(pgd-xid) (1a)

xid = xid+vid (1b)

其中w为惯性权重(inertia weight)，c1和c2为加速常数(accele