基于Python实现粒子群优化算法【100012033】

# 粒子群优化算法概念 粒子群优化算法(PSO：Particle swarm optimization) 是一种进化计算技术（evolutionary computation），源于对鸟群捕食的行为研究。 # 粒子群优化算法基本思想 粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。 鸟被抽象为没有质量和体积的微粒(点)，并延伸到 N 维空间，粒子 i 在 N 维空间的位置表示为矢量 Xi＝(x1，x2，…，xN)，飞行速度表示为矢量 Vi＝(v1，v2，…，vN)。每个粒子都有一个由目标函数决定的适应值(fitness value)，并且知道自己到目前为止发现的最好位置(pbest)和现在的位置 Xi。这个可以看作是粒子自己的飞行经验。除此之外，每个粒子还知道到目前为止整个群体中所有粒子发现的最好位置(gbest)(gbest 是 pbest 中的最好值)，这个可以看作是粒子同伴的经验。粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动。 # 算法流程 标准 PSO 算法的流程： - 初始化一群微粒(群体规模为 N)，包括随机位置和速度； - 评价每个微粒的适应度； - 对每个微粒，将其适应值与其经过的最好位置 pbest 作比较，如果较好，则将其作为当前的最好位置 pbest； - 对每个微粒，将其适应值与其经过的最好位置 gbest 作比较，如果较好，则将其作为当前的最好位置 gbest； - 根据公式(2)、(3)调整微粒速度和位置； - 未达到结束条件则转第 2）步。 # 优势 PSO 的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域 。