粒子群算法 PSO · 深度手册

分类：优化类 ｜难度：★★☆ 进阶｜编号：pso

一、这是什么（一句话用途）

连续空间全局优化（参数寻优）

二、核心思想

粒子群（PSO）受鸟群觅食启发：每个"粒子"代表一个候选解，它在搜索空间中飞行，飞行速度和方向由历史经验决定——既受自己找到过的最好位置（pbest）吸引，也受整个群体找到的最好位置（gbest）吸引。相比 GA，PSO 没有交叉变异，靠"社会-认知"双引力连续微调，实现简单、参数少、收敛快；缺点是后期易在局部最优附近群聚（早熟），需靠惯性权重等机制维持探索。

三、数学原理与推导

第 $i$ 个粒子位置 $x_i$ 、速度 $v_i$ 。迭代更新：

$v_i(t+1)=w\,v_i(t)+c_1 r_1\big(pbest_i-x_i(t)\big)+c_2 r_2\big(gbest-x_i(t)\big)$
$x_i(t+1)=x_i(t)+v_i(t+1)$

其中 $w$ 为惯性权重（平衡全局探索与局部开发）， $c_1,c_2$ 为认知/社会学习因子， $r_1,r_2\sim U(0,1)$ 为随机扰动。第一项是动量，保持原方向；第二项拉向自身历史最优；第三项拉向群体最优。速度常加 clamp 限制 $|v_i|\le v_{\max}$ 防发散。gbest 收敛处即当前全局最优估计。惯性权重常线性递减 $w=w_{\max}-(w_{\max}-w_{\min})t/T_{\max}$ 。

四、建模 / 求解步骤

初始化粒子群
评适应度
更新 pbest/gbest
更新速度 / 位置
迭代收敛

五、关键公式速查

v=w·v+c1·r1·(pbest−x)+c2·r2·(gbest−x)

六、典型示例

神经网络超参、函数极值寻优。

完整算例（数字演示，照着算一遍）

场景：min f(x)=Σx_i²（2 维），粒子 30，c1=c2=1.5，w=0.7。

收敛：约 200 代后 x≈(0.01,−0.02), f≈0.0005。

结论：粒子群靠社会 + 认知项快速收敛到原点。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","pso.csv"))
pts = df[["x","y"]].to_numpy(dtype=float)
rng=np.random.default_rng(3)
pos=rng.uniform(-5,5,(20,1)); vel=np.zeros((20,1)); pbest=pos.copy(); pval=pts[np.argmin(np.abs(pts[:,0]-pos[:,0]),axis=0),1]
gbest=pos[np.argmin(pval)]; gval=pts[np.argmin(np.abs(pts[:,0]-gbest[:,0]),axis=0),1] if False else min(pval)
for _ in range(100):
    # 用解析式 f(x)=x^2 演示
    f=lambda x:x**2
    cur=f(pos)
    pbest[cur<pval]=pos[cur<pval]; pval=np.minimum(pval,cur)
    gbest=pbest[np.argmin(pval)]; gval=pval.min()
    vel=0.7*vel+1.5*rng.random((20,1))*(pbest-pos)+1.5*rng.random((20,1))*(gbest-pos)
    pos+=vel
print("PSO 最优 x=%.3f f=%.3f"%(gbest,gval))

配套文件：py_pso.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% 粒子群示例（MATLAB/Octave）
pts = readmatrix('..\datasets\pso.csv');
rng(3); pos=rand(20,1)*10-5; vel=zeros(20,1);
pbest=pos; pval=pos.^2; [gval,gi]=min(pval); gbest=pos(gi);
for i=1:100
  cur=pos.^2;
  pbest(cur<pval)=pos(cur<pval); pval=min(pval,cur);
  [gval,gi]=min(pval); gbest=pos(gi);
  vel=0.7*vel+1.5*rand(20,1).*(pbest-pos)+1.5*rand(20,1).*(gbest-pos);
  pos=pos+vel;
end
fprintf('PSO 最优 x=%.3f f=%.3f\n', gbest, gval);

配套文件：m_pso.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

25 个 (x, f(x)=x²) 采样点。用于粒子群算法寻全局最小。

字段：x, y
行数：25 行
下载：pso.csv

十、常见误区与避坑清单

惯性权重 w 调节收敛
易陷局部(加扰动)
边界要处理

十一、结果怎么解读

gbest 即当前最优解。

十二、常与谁搭配

与 GA 互补。

十三、论文写作技巧（怎么把它写进论文）

把 粒子群算法 PSO 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

先把问题「数学化」：决策变量、目标函数、约束条件——这一步写清楚比算法本身更重要。再说明为何用粒子群算法 PSO 求解：连续可导用梯度 / 解析法，组合 / 非凸 / 黑箱用启发式（GA / PSO / SA）。

2. 结果怎么写（图表与指标）

放「收敛曲线（迭代 vs 目标值）」+「最优解参数表」+「约束是否满足」三件套。若是多目标，放 Pareto 前沿散点图。

3. 可直接套用的写作话术

中文模板：针对<问题>，本文采用 粒子群算法 PSO 进行连续空间全局优化（参数寻优）。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
英文模板：To address , we adopt 粒子群算法 PSO to 连续空间全局优化（参数寻优）. Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

务必说明约束是否全部满足、是否陷入局部最优（可多次随机初始化对比）；别把无约束结果当约束最优报。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

将配送中心选址建模为带容量约束的总成本最小化问题，本文采用粒子群算法 PSO 求解，得到 5 个选址及其服务分配方案，目标值较贪婪启发式降低 12.4%，且全部约束满足。

We formulate the distribution center location as a total-cost minimization problem with capacity constraints and solve it via 粒子群算法 PSO, yielding 5 sites and their service assignments. The objective is 12.4% lower than a greedy heuristic while satisfying all constraints.

十四、相关手册（延伸阅读）

遗传算法 GA · 优化类

十五、本手册导航

上一篇：遗传算法 GA · 优化类
下一篇：蒙特卡洛模拟 · 优化类
返回：算法深度手册库｜资料站首页

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。