PSO粒子群算法

它是通过一个适应度函数来选取一个目标函数的最优参数组合

用什么适应度函数就得具体问题具体分析了

下面来讲解下他的过程

 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

详细过程：https://blog.csdn.net/myarrow/article/details/51507671

————————————————

首先以一个求两个参数的函数最小值举例，他的目标函数就是这个函数了，他的适应度函数就是最小值；

算法流程：

1.初始化

设置最大迭代次数（迭代次数过小则结果不收敛，迭代次数过大则浪费时间）；粒子群规模，即初始化多少个微粒；个体学习因子c1，群体学习因子c2（基本都设为2）；惯性因子w（基本上设定0.4-0.9）；

初始化N个微粒的速度、位置，随机生成的，两个数组都是N*2的。

2.设定适应度函数

3.更新粒子速度、位置

 就像下图所示，微粒1知道目前的最好位置是绿色圈位置，但是它自己也有自己的想法，想着：我往他那个方向移动，但是同时我又在我自己周围寻找更优的位置，（这个优就是以适应度函数来评判），不管更新自己的局部最优位置，如果更优，则同时更新全局最优位置。到达迭代次数后，那个全局最优位置即为所求参数组合。