粒子群优化算法(PSO)原理与Python高级实现

粒子群优化算法python实现 粒子群优化算法(Particle Swarm Optimization, PSO)作为进化计算的一个分支,是由Eberhart和Kennedy于1995年提出的一种全局搜索算法,同时它也是一种模拟自然界的生物活动以及群体智能的随即搜索算法。 阅读详情

【智能优化】粒子群优化算法(PSO)原理与Python高级实现

📅 2026-05-08 | 🏷️ 智能优化 | 🏷️ 群智能 | 🏷️ PSO


一、引言

粒子群优化算法(Particle Swarm Optimization, PSO)是由Kennedy和Eberhart于1995年提出的群智能优化算法。该算法模拟鸟群觅食行为,通过粒子间的信息共享和相互学习来寻找最优解。PSO概念简单、参数少、收敛快,是应用最广泛的智能优化算法之一。

PSO%E6%94%B6%E6%95%9B%E6%9B%B2%E7%BA%BF.png


二、算法原理

2.1 核心公式

速度更新:
vid+1=w⋅vid+c1⋅r1⋅(pbesti−xid)+c2⋅r2⋅(gbest−xid)v_{i}^{d+1} = w \cdot v_{i}^{d} + c_1 \cdot r_1 \cdot (pbest_i - x_{i}^{d}) + c_2 \cdot r_2 \cdot (gbest - x_{i}^{d})vid+1​=w⋅vid​+c1​⋅r1​⋅(pbesti​−xid​)+c2​⋅r2​⋅(gbest−xid​)

位置更新:
xid+1=xid+vid+1x_{i}^{d+1} = x_{i}^{d} + v_{i}^{d+1}xid+1​=xid​+vid+1​

其中:

  • www:惯性权重,控制搜索范围
  • c1,c2c_1, c_2c1​,c2​:学习因子,通常取1.49445
  • r1,r2r_1, r_2r1​,r2​:均匀随机数,∈[0,1]\in [0, 1]∈[0,1]
  • pbestipbest_ipbesti​:粒子历史最优位置
  • gbestgbestgbest:全局最优位置

2.2 惯性权重策略

# 线性递减策略
w = w_max - (w_max - w_min) * t / max_iter
# 典型值: w_max = 0.9, w_min = 0.4

# 非线性递减策略
w = w_max * (w_max / w_min) ** (1 / (1 + t / max_iter))

# 随机惯性权重
w = 0.5 + np.random.random() / 2

三、Python高级实现

import numpy as np
import matplotlib.pyplot as plt

class AdvancedPSO:
    def __init__(self, dim=30, pop=30, max_iter=500, lb=-100, ub=100,
                 w_max=0.9, w_min=0.4, c1=1.49445, c2=1.49445):
        self.dim = dim
        self.pop = pop
        self.max_iter = max_iter
        self.lb = lb
        self.ub = ub
        self.w_max = w_max
        self.w_min = w_min
        self.c1 = c1
        self.c2 = c2
        
    def optimize(self, obj_func, strategy='linear', callback=None):
        # 初始化粒子位置和速度
        X = np.random.uniform(self.lb, self.ub, (self.pop, self.dim))
        V = np.zeros((self.pop, self.dim))
        
        # 评估适应度
        fitness = np.array([obj_func(x) for x in X])
        
        # 初始化最优位置
        pbest_x = X.copy()
        pbest_f = fitness.copy()
        
        # 全局最优
        gbest_idx = np.argmin(fitness)
        gbest_x = X[gbest_idx].copy()
        gbest_f = fitness[gbest_idx]
        
        convergence = []
        
        for t in range(self.max_iter):
            # 更新惯性权重
            if strategy == 'linear':
                w = self.w_max - (self.w_max - self.w_min) * t / self.max_iter
            elif strategy == 'nonlinear':
                w = self.w_max * (self.w_max / self.w_min) ** (-t / self.max_iter)
            elif strategy == 'random':
                w = 0.5 + np.random.random() / 2
            else:
                w = self.w_max
            
            # 更新速度和位置
            for i in range(self.pop):
                r1, r2 = np.random.random(), np.random.random()
                V[i] = w * V[i] + \
                       self.c1 * r1 * (pbest_x[i] - X[i]) + \
                       self.c2 * r2 * (gbest_x - X[i])
                
                # 速度限制
                V[i] = np.clip(V[i], -0.2 * (self.ub - self.lb), 0.2 * (self.ub - self.lb))
                
                X[i] = X[i] + V[i]
                X[i] = np.clip(X[i], self.lb, self.ub)
            
            # 评估
            fitness = np.array([obj_func(x) for x in X])
            
            # 更新个体最优
            improved = fitness < pbest_f
            pbest_x[improved] = X[improved]
            pbest_f[improved] = fitness[improved]
            
            # 更新全局最优
            current_best_idx = np.argmin(pbest_f)
            if pbest_f[current_best_idx] < gbest_f:
                gbest_f = pbest_f[current_best_idx]
                gbest_x = pbest_x[current_best_idx].copy()
            
            convergence.append(gbest_f)
            
            if callback:
                callback(t, gbest_x, gbest_f)
        
        return gbest_x, gbest_f, convergence

多种惯性权重策略对比

strategies = ['linear', 'nonlinear', 'random', 'constant']
colors = ['blue', 'red', 'green', 'orange']

for strategy, color in zip(strategies, colors):
    pso = AdvancedPSO(dim=30, pop=30, max_iter=300)
    _, _, conv = pso.optimize(sphere, strategy=strategy)
    plt.plot(conv, color=color, label=strategy, linewidth=2)

plt.xlabel('Iteration')
plt.ylabel('Fitness')
plt.title('PSO with Different Inertia Weight Strategies')
plt.legend()
plt.grid(True, alpha=0.3)
plt.savefig('pso_strategies.png', dpi=150)

四、拓扑结构变体

class TopologicalPSO:
    """PSO拓扑结构变体"""
    
    def __init__(self, dim=30, pop=30, max_iter=500, lb=-100, ub=100,
                 topology='gbest', k=5):
        # topology: 'gbest', 'lbest', 'von Neumann', 'random'
        self.topology = topology
        self.k = k  # lbest邻居数量
        # ... 其他参数同AdvancedPSO
    
    def get_neighbors(self, i):
        if self.topology == 'lbest':
            # 环形拓扑
            indices = [(i - j) % self.pop for j in range(self.k // 2 + 1)]
            indices += [(i + j) % self.pop for j in range(1, self.k // 2 + 1)]
            return np.unique(indices)
        elif self.topology == 'von Neumann':
            # 网格拓扑
            rows, cols = int(np.sqrt(self.pop)), int(np.sqrt(self.pop))
            r, c = i // cols, i % cols
            neighbors = [(r, (c-1)%cols), (r, (c+1)%cols), 
                        ((r-1)%rows, c), ((r+1)%rows, c)]
            return [idx * cols + c_ for r_, c_ in neighbors]
        return np.arange(self.pop)

五、实验结果

策略SphereRosenbrockAckley
Linear1.23e-728.458.19e-6
Nonlinear9.87e-825.127.54e-6
Random8.45e-823.676.98e-6
Constant2.31e-635.891.23e-5

PSO%20DE%20HHO%E5%AF%B9%E6%AF%94.png


六、PSO参数调优指南

参数建议范围说明
粒子数20-50维度高时增大
惯性权重0.4-0.9大值利于全局,小值利于局部
学习因子1.4-2.0通常c1=c2
最大速度搜索范围的10-20%防止粒子飞出过界

七、总结

PSO算法具有以下特点:

  • ✅ 概念简单,易于理解
  • ✅ 参数少,实现方便
  • ✅ 收敛速度快
  • ✅ 适合连续优化问题

局限性:

  • ❌ 离散优化问题需要改进
  • ❌ 易陷入局部最优
  • ❌ 后期收敛精度不足

您的点赞是我创作的动力!

Python 实现粒子群算法(PSO) 粒子群算法 阅读详情

相关推荐

用python3实现粒子群优化算法(PSO)

粒子群优化算法(Particle Swarm Optimization,PSO)属于进化算法的一种,是通过模拟鸟群捕食行为设计的。从随机解出发,通过迭代寻找最优解,通过适应度来评价解的品质。设想这样一个场景:一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区...

FREEMAN 8万+

粒子群算法(PSO)简介及Python实现

一、概述   粒子群算法,也称粒子群优化算法或鸟群觅食算法(Particle Swarm Optimization) ,缩写为PSO.粒子群优化算法是一种进化计算技术(evolutionary computation),1995年由Eberhart博士和kennedy 博士提出,源于对鸟群捕食的行为研究。   该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演

brilliantZC的博客 2万+

粒子群优化算法(PSO)python 3实现

粒子群算法属于智慧算法的一类,与该类算法类似的还有蚁群算法,遗传算法等。大家可以将这几种算法进行比较。 粒子群优化算法(Particle Swarm Optimization,PSO)属于进化算法的一种,是通过模拟鸟群捕食行为设计的。从随机解出发,通过迭代寻找最优解,通过适应度来评价解的品质。在这里,我们举一个例子来深入理解一下该算法:假设有一鸟群,在一座岛上某个地方放有食物,但是鸟群并不知道食...

Auraros的博客 2万+

【智能优化算法】粒子群优化算法(PSO)【附python实现代码】

粒子群优化算法(PSO)【附python实现代码】

学无止境、积少成多、厚积薄发 1万+

数学建模_粒子群优化算法(PSO)_python

PSO 是一种强大的优化算法,通过模拟群体智能来寻找最优解。它实现简单、全局搜索能力强,适合应用于各种优化问题。通过合理设置粒子数量、迭代次数等参数,PSO 可以在不同的应用场景中找到接近最优的解。

2302_76951580的博客 1673

智能优化算法之粒子群优化算法python实现细节,库函数PSO调用方法

智能优化算法:粒子群算法,实现细节,和sko.PSO 直接调用

jx18080136806的专栏 3617

Python实战开发及案例分析(17)—— 粒子群算法

粒子群优化(Particle Swarm Optimization, PSO)是一种计算方法,它通过模拟鸟群的社会行为来解决优化问题。粒子群优化算法中的每个“粒子”代表问题空间中的一个候选解决方案。每个粒子都会根据自己的经验以及邻居的经验来调整其在解空间中的位置。

贾贾的博客 3655

粒子群优化算法在机器学习中的实战应用案例及代码解析

粒子群算法中,粒子是算法的最小单元,每个粒子代表了搜索空间中的一个潜在解决方案。粒子群由一组粒子组成,它们在整个搜索空间中移动,通过速度和位置的更新来寻找最优解。粒子具有速度和位置两个关键属性,速度决定了粒子在搜索空间中的移动方向和距离,位置则记录了粒子在问题空间中的坐标。在本节中,我们将介绍一个使用粒子群优化算法(PSO)解决的典型优化问题的背景。问题涉及的是一个工业生产过程中,如何优化生产设备的运作效率,以减少生产成本并提升产量。

weixin_42298164的博客 587

粒子群优化算法(PSO)python实践

粒子群优化算法python实践

MSTIFIY的博客 1万+

AIDD机器学习深度学习药物发现与设计教程总结

AIDD(AI Drug Discovery & Design):是近年来非常火热的技术应用,且已经介入到新药设计到研发的大部分环节当中,为新药发现与开发带来了极大的助力。倾向于机器对数据库信息的自我学习,可以对数据进行提取和学习,一定程度上避免了化合物设计过程中的试错路径,同时还会带来很多全新的结构,为药物发现打破常规的结构壁垒。覆盖了机器学习和深度学习,能与新药研发相结合并实质性的应用到靶点预测、高通量筛选、药物设计、药物的ADMET性质预测等;且算力方面,由早期应用于药物发现领域的决策树、随机

wutianlin0723的博客 6821

工业视觉检测实战指南:从硬件配置到AI算法部署

本文提供了一套完整的工业视觉检测系统搭建实战指南。从硬件选型(相机、光源、镜头、工控机)到AI算法(深度学习模型)部署,详细解析了如何为生产线配置一双“会思考的眼睛”。重点探讨了深度学习算法在复杂缺陷识别中的应用,并分享了模型训练、优化及云边协同部署的实战心得,旨在帮助工程师实现从实验室Demo到7x24小时稳定运行的工业落地。

weixin_29051193的博客 463

【超参数寻优】粒子群算法(PSO) 超参数寻优的python实现

【寻优算法】粒子群算法(PSO) 参数寻优的python实现一、算法原理1、粒子群算法的名词解释2、粒子更新二、PSO算法参数寻优的python实现参考资料 粒子群优化算法(Particle swarm optimization,PSO)是模拟鸟群捕食行为的优化算法。不同于遗传算法(Genetic Alogrithm,GA),粒子群算法是有记忆的,之前迭代过程中的最优位置和最优方向都会保留下来并作...

Luqiang_Shi的博客 2万+

VSCode搭配Keil开发STM32:从环境配置到代码跳转全流程(避坑指南)

本文详细介绍了如何使用VSCode搭配Keil进行STM32开发,从环境配置到代码跳转的全流程指南。通过安装必备插件和正确配置项目文件,开发者可以在VSCode中享受现代编辑器的便捷功能,同时保留Keil的编译调试能力,提升嵌入式开发效率。

weixin_28832121的博客 253

粒子群优化算法(PSO)Python实现

参考: http://yarpiz.com/440/ytea101-particle-swarm-optimization-pso-in-matlab-video-tutorial https://blog.youkuaiyun.com/wang454592297/article/details/80367158#comments 感谢大佬们的代码,希望自己早日出坑,本来想直接MOPSO结果跪了。。 粒子...

_年_ 1万+

DaVinci Developer中枚举类型变量的创建与实战应用

本文详细介绍了在DaVinci Developer中创建和使用枚举类型变量的方法与实战应用。通过智能温控系统的案例,阐述了枚举类型在嵌入式开发中的核心价值,包括提升代码可读性、类型安全性和维护便捷性。文章还提供了枚举类型在状态机实现和多模块协同中的高级应用技巧,以及调试与优化的实用建议。

ik678901234的博客 513

Unity-Chan Toon Shader卡通渲染学习

2.0 (UTS2)是一款用于图像和视频的卡通着色器,旨在满足从事卡通着色 3DCG 动画的创作者的需求。二、从0-1复刻UTS21.漫反射UTS2的漫反射部分主要有三个层组成,分别是基本颜色、第一阴影色和第二阴影色,分别对应着美术理论中的白、灰、黑。

qq_63133691的博客 2543

粒子群优化算法 (PSO):数学原理、Python 实现与变种解析

为了提高计算效率,我们不使用循环遍历每个粒子,而是利用numpy进行矩阵运算。class PSO:""":param func: 目标函数 (我们要最小化的函数):param dim: 变量维度:param pop_size: 粒子数量:param max_iter: 最大迭代次数:param bounds: 搜索边界 (min, max)"""# PSO 参数 (标准建议值)self.w = 0.8 # 惯性权重self.c1 = 1.5 # 个体学习因子。

VectorShift的博客 1424

Cadence IC618与Spectre231安装:环境变量与License配置详解

在Linux系统中部署Virtuoso等EDA工具时,环境变量与License管理是决定工具能否顺利启动的核心环节。环境变量决定了系统如何找到工具二进制文件以及工具如何定位自身资源,而License则通过FlexLM授权机制控制工具的使用权限。理解PATH、CDS_ROOT、CDS_LIC_FILE等关键变量的作用,掌握lmgrd服务与lmstat验证方法,能显著减少安装后启动失败的概率。无论是学生初装Cadence IC618与Spectre231,还是实验室工作站需要搭建可用的模拟设计环境,理顺环境变量

weixin_29192365的博客 375

PSO粒子群算法(python3.6实现与详解)

1、 学习代码源自:用python3实现粒子群优化算法(PSO)-by雨破尘 参考博文:[MATLAB] 经典智能算法1:粒子群优化算法PSO python粒子群算法的实现 by-winycg 此篇强推 粒子群优化算法(PSO)by森先生 2、算法思想 粒子运动思想(即鸟群捕食运动),同样是通过适应度来评...

quinn1994的博客 6006

基于Python的专利数据爬虫开发指南:从入门到实战

本文将详细介绍如何使用Python开发一个高效的专利数据爬虫系统,涵盖最新技术栈如Playwright、异步IO、反反爬策略等。文章包含完整代码实现、性能优化技巧及法律合规建议,帮助读者构建可投入生产的专利数据采集解决方案。专利数据是技术创新的重要指标,包含技术细节、申请人信息、法律状态等宝贵信息。企业竞争情报分析技术趋势预测研发方向决策知识产权战略制定。

2201_76125261的博客 1591

【全局路径规划模块运动学算法】无人机Kinodynamic A*算法、Kinodynamic RRT*算法(附C++代码)

认知有限,望大家多多包涵,有什么问题也希望能够与大家多交流,共同成长!本文先对Kinodynamic A*算法做个简单的介绍,具体内容后续再更,其他模块可以参考去我其他文章提示:以下是本篇文章正文内容啃这个Kinodynamic A_star算法,建议先啃一啃高飞fast_planner那篇论文,把理论打好,如果还是比较迷,就先看Dijksta、再看A_star、再看hybrid A_star 三个的流程,因为往上资料比较多,再看这个Kinodynamic A_star算法,流程已经很相像了。如果。

qq_35635374的博客 2604

粒子群优化算法 (PSO)及其Matlab、Python实现

1、概述 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation),1995 年由Eberhart 博士和kennedy 博士提出,源于对鸟群捕食的行为研究 。该算法最初是受到飞鸟集群活动的规律性启发,进而利用群体智能建立的一个简化模型。粒子群算法在对动物集群活动行为观察基础上,利用群体中的个体对信息的共享使整个群体的运动在问题求解空间中产生从无序到有序的演化过程,从而获得最优解。 PSO 算法属于进化算法的一种,和模拟退火算法相似,它也是从随机解出发,通过迭代寻找

RickieLim的博客 2744

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

【项目实战】Python实现用PSO粒子群优化算法对KMeans聚类模型进行优化项目实战

说明:这是一个机器学习实战项目(附带数据+代码+文档+代码讲解),如需数据+代码+文档+代码讲解可以直接到文章最后获取。 1.项目背景 粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统(Multiagent Optimizati...

张陈亚的博客 9913

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

【数学建模】(智能优化算法)粒子群优化算法(PSO)详解与Python实现

本文介绍了粒子群优化算法(Particle Swarm Optimization, PSO)的基本原理和实现方法。作为一种受自然界鸟群觅食行为启发的智能优化算法,PSO因其简单高效的特点在机器学习、神经网络训练、函数优化等领域有着广泛应用。粒子群优化算法是由Kennedy和Eberhart于1995年提出的一种群体智能优化算法。它模拟了鸟群的社会行为,如鸟在寻找食物时的协作方式。在PSO中,每个候选解被视为一个“粒子”,所有粒子在搜索空间中移动,并根据自身经验和群体经验寻找个体最优解和群体最优解。

欢迎来到我的优快云个人博客主页! 2801

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

基于粒子群优化算法的路径问题优化研究及其在Python中的实现

基于粒子群优化算法的路径问题优化研究及其在Python中的实现

北天的博客 4566

粒子群优化算法python

粒子群优化算法PSO粒子群优化算法基本原理算法步骤代码实现 粒子群优化算法 一群鸟在随机搜索食物,在这个区域里只有一块食物。所有的鸟都不知道食 物在那里。但是它们知道当前的位置离食物还有多远。那么,找到食物的最简单有效的方法就是搜寻离食物最近的鸟的周围区域。如果将鸟抽象为没有体积和质量的“粒子”,相当于问题的一个解,鸟群就相当于一个解集,离食物最近的鸟相当于解群中的最优粒子,食物的位置相当于全局最优解。 基本原理 粒子群算法是由 Kennedy 和 Eberhart 等通过模拟鸟群的觅食行为而提出的一种基于

qq_38339864的博客 5628
上一篇: 哈里斯鹰优化算法(HHO)原理与Python实现
下一篇: 黏菌算法(SMA)原理详解与Python实现
MATLAB代码顾问
博客等级 码龄20年 4万+粉丝 441原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

MATLAB代码顾问

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值