文档介绍：基本粒子群优化算法
基本粒子群优化算法基本粒子群优化算法粒子群优化算法发展简介
粒子群优化算法的基本思想
基本粒子群算法描述
基本粒子群优化算法的算法流程
算法例子
改进算法简介
粒子群算法同其它算法的融合
书籍能培养我们的道德情操，给我们巨大的精神力量，鼓舞我们前进
粒子群优化算法发展简介
粒子群优化算法的基本思想
基本粒子群算法描述
基本粒子群优化算法的算法流程
算法例子
改进算法简介
粒子群算法同其它算法的融合
由Kennedy和Eberhart于1995年提出．
群体迭代，粒子在解空间追随最优的粒子进行搜索.
简单易行
粒子群算法: 收敛速度快
设置参数少
1、粒子群算法发展历史简介
2、粒子群算法的基本思想
粒子群算法的思想源于对鸟群捕食行为的研究．
生活中的现象：鸟群在寻找食物的过程中，开始鸟群比较分散，逐渐这些鸟就会聚成一群，这个群忽高忽低、忽左忽右，直到最后找到食物。
模拟鸟群飞行觅食的行为。鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。对最大恩赐！
粒子群算法的基本思想
设想这样一个场景：一群鸟在随机搜索食物
在这块区域里只有一块食物;
所有的鸟都不知道食物在哪里;
但它们能感受到当前的位置离食物还有多远.
已知
那么:找到食物的最优策略是什么呢？
搜寻目前离食物最近的鸟的周围区域．
根据自己飞行的经验判断食物的所在。
PSO正是从这种模型中得到了启发．
、算法概括介绍
每个寻优问题的解都被想像成一只鸟，称为“粒子”。所有粒子都在一个D维空间进行搜索。
所有的粒子都由一个fitness function 确定适应值以判断目前的位置好坏。
每一个粒子必须赋予记忆功能，能记住所搜寻到的最佳位置。
每一个粒子还有一个速度以决定飞行的距离和方向。这个速度根据它本身的飞行经验以及同伴的飞行经验进行动态调整。
、粒子群算法精确描述
在D维目标搜索空间中，n个粒子组成一个群落，每个粒子i包含一个D维向量和速度向量
。粒子i在搜索D维解空间时，记住其搜索到的最优位置Pi。在每次迭代中，粒子i根据自身惯性及自身经验Pi和群体最优经验Pg调整自身的速度向量，进而调整自身位置。可以通过适值函数来衡量粒子的优劣。
PSO算法采用如下公式更新粒子状态：
、参数设置
位置向量
表示粒子i目前所处的D维空间位置,通常，需要限定xid的搜索范围[xmin，xmax]。
速度向量
需要限定Vm ,作用在于维护算法探索能力和开发能力的平衡。Vm较大时,探索能力增强,但粒子容易飞过最优解；Vm较小时,开发能力增强,但容易陷入局部最优解。
随机数
r1和r2是取值介于（0,1）之间的随机数。
在迭代中若Xid、Vid超出了边界
值，则该维的速度或位置被限制
为该维最大速度或边界位置
种群大小
m是一个整型参数。m很小时可能会导致局部优化，m较大时，PSO的优化能力很好，但当群体数目增长至一定水平时，再增长将不再有显著的作用。
惯性因子
w是非负常数，调节对解空间的搜索范围。较大的惯性因子可以加强算法的全局探索能力，较小的惯性因子能增加算法的局部开发能力。
学习因子
学习因子c1和c2是非负常数，代表粒子偏好的权值。。
c1=0,无私型粒子群算法："只有社会，没有自我",迅速丧失群体多样性,易陷入局优而无法跳出。
c2=0,自我认知型粒子群算法："只有自我，没有社会",完全没有信息的社会共享，导致算法收敛速度缓慢。