粒子群算法（PSO）原理与经典应用——python实现（含完整代码)

粒子群算法（PSO）原理与经典应用

一、算法简介

粒子群算法（Particle Swarm Optimization, PSO）是一种模拟群体智能的全局优化算法，由Kennedy和Eberhart于1995年提出。它通过模拟鸟群、鱼群等群体觅食行为，协同搜索最优解，广泛应用于函数优化、神经网络训练、路径规划等领域。

二、基本原理

PSO通过一群“粒子”在搜索空间中移动来寻找最优解。每个粒子代表一个潜在解，具有位置和速度。粒子根据自身历史最优位置（个体极值 $p_{best}$）和全体粒子历史最优位置（全局极值 $g_{best}$）来调整自己的速度和位置。

1. 速度与位置更新公式

粒子 $i$ 在第 $k$ 代的速度和位置更新如下：

$$v_i^{k+1}=w{v}_i^k+c_1{r}_1(p_{best,i}-x_i^k)+c_2{r}_2(g_{best}-x_i^k)$$

$$x_i^{k+1}=x_i^k+v_i^{k+1}$$

其中：

• $w$：惯性权重，平衡全局与局部搜索能力
• $c_1,c_2$：学习因子（通常取2）
• $r_1,r_2$：$[0,1]$之间的随机数

2. 算法流程

1. 初始化粒子群的位置和速度
2. 计算每个粒子的适应度
3. 更新个体极值和全局极值
4. 更新速度和位置
5. 判断终止条件，若未满足则返回第2步

三、经典应用问题：Sphere函数最小化

Sphere函数是优化算法测试中最常用的基准函数之一：

$$f(x)=\sum _{i=1}^n{x}_i^2$$

其中 $x_i\in [-5.12,5.12]$，$n$ 为变量维数。最优解为 $x=(0,0,...,0)$，此时 $f(x)=0$。

Python伪代码示例

# ...粒子群算法主流程伪代码...
for each particle:
	update velocity
	update position
	evaluate fitness
	update pbest and gbest

完整代码示例

以Sphere函数最小化为例

import numpy as np  # 导入NumPy库，用于科学计算
import matplotlib.pyplot as plt  # 导入matplotlib的pyplot模块，用于绘图
# 设置matplotlib支持中文
plt.rcParams['font.sans-serif'] = ['SimHei']  # 设置中文字体为黑体
plt.rcParams['axes.unicode_minus'] = False    # 设置正常显示负号

# 定义Sphere函数，作为我们的目标函数
def sphere(x):  # 定义函数sphere，输入参数为x
	return np.sum(x ** 2)  # 返回x中所有元素平方和

# --- 粒子群算法参数设置 ---
num_particles = 30  # 设置粒子数量
dim = 2             # 设置问题维度
max_iter = 100      # 设置最大迭代次数
bound = 5.12        # 设置搜索空间的边界
w = 0.7             # 设置惯性权重
c1 = 1.5            # 设置个体学习因子
c2 = 1.5            # 设置社会学习因子

# --- 初始化粒子群 ---
# 在[-bound, bound]范围内随机初始化所有粒子的位置
pos = np.random.uniform(-bound, bound, (num_particles, dim))
# 在[-1, 1]范围内随机初始化所有粒子的速度
vel = np.random.uniform(-1, 1, (num_particles, dim))
pbest = pos.copy()  # 初始化个体最优位置为当前位置
# 计算每个粒子初始位置的适应度值
pbest_val = np.array([sphere(x) for x in pos])
gbest_idx = np.argmin(pbest_val)  # 找到初始全局最优值的索引
gbest = pbest[gbest_idx].copy()  # 初始化全局最优位置
gbest_val = pbest_val[gbest_idx]  # 初始化全局最优值

# 用于记录每次迭代的全局最优值，以便后续可视化
gbest_history = []

# --- 主循环：迭代更新粒子群 ---
for iter in range(max_iter):  # 循环迭代指定的次数
	r1 = np.random.rand(num_particles, dim)  # 生成随机数r1
	r2 = np.random.rand(num_particles, dim)  # 生成随机数r2
	# 根据公式更新每个粒子的速度
	vel = w * vel + c1 * r1 * (pbest - pos) + c2 * r2 * (gbest - pos)
	# 根据新速度更新每个粒子的位置
	pos = pos + vel
	# 对超出边界的粒子位置进行处理，限制在边界内
	pos = np.clip(pos, -bound, bound)
	# 计算更新后每个粒子位置的适应度值
	fitness = np.array([sphere(x) for x in pos])
	# --- 更新个体和全局最优解 ---
	# 找到当前适应度值优于个体历史最优值的粒子
	mask = fitness < pbest_val
	pbest[mask] = pos[mask]  # 更新这些粒子的个体最优位置
	pbest_val[mask] = fitness[mask]  # 更新这些粒子的个体最优值
	# 找到当前所有粒子中的最优值索引
	min_idx = np.argmin(pbest_val)
	# 如果当前最优值优于全局历史最优值
	if pbest_val[min_idx] < gbest_val:
		gbest = pbest[min_idx].copy()  # 更新全局最优位置
		gbest_val = pbest_val[min_idx]  # 更新全局最优值
	# 记录本次迭代的全局最优值
	gbest_history.append(gbest_val)

# --- 输出结果 ---
print(f"最优解：{gbest}, 最优值：{gbest_val}")  # 打印最终找到的最优解和最优值

# --- 可视化收敛曲线 ---
plt.plot(gbest_history)  # 绘制全局最优值的收敛曲线
plt.xlabel('迭代次数')  # 设置x轴标签
plt.ylabel('全局最优值')  # 设置y轴标签
plt.title('PSO求解Sphere函数收敛曲线')  # 设置图表标题
plt.grid()  # 显示网格
plt.show()  # 显示图表

四、总结

粒子群算法以其简单高效、参数少、易实现等优点，在连续优化领域有广泛应用。通过合理设置参数和改进策略，PSO可用于求解多种复杂优化问题。