粒子群算法介绍及Matlab实现（函数寻优）

粒子群算法介绍

粒子群优化算法（Particle Swarm Optimization，PSO）又叫微粒群算法，于1995年由Kennedy等学者提出，是一种基于群体行为的随机优化算法。算法模仿了鸟群的觅食行为，将个体行为和群体趋向结合起来，寻找复杂优化问题的最优解。

鸟群行为

粒子群算法最初是为了描述鸟类群体的运动而提出的。鸟群的运动遵循这样的规则：

（1）避免冲突：群体移动，个体运动而不影响其他个体；

（2）速度匹配：个体的运动必须配合群体的运动，即速度需要跟上群体移动速度；

（3）群体中心：个体向群体中心移动，配合群体中心向目标前进。

群体智能

事实上，在更广泛的意义上，粒子群不仅可以代表鸟群，也可以代表其他有群体智能的社会集群，比如蜂群，蚁群，能实现信息共享的无人机集群乃至人类社会——粒子群可以作为一种简化的社会模型。

自1991年蚁群优化算法的提出后，群体智能成为一个研究热点概念，世界上对群体智能的相关研究迅速展开。相关理论很多，在此仅介绍群体智能的如下特点，以供读者对群体智能产生直观印象，在群体智能的层面理解PSO算法：

群体智能的特点

（1）去中心化。群体智能没有中心控制，而是通过分布式的协同工作解决问题。即使去掉部分个体也不影响群体整体的运作。（沉舟侧畔千帆过）

（2）多样化。群体智能的效果与群体中个体的多样性密切相关。（正如一个社会中需要不同知识背景、技能、信念的人才，才能发挥社会作为一个整体的创造力）

（3）自组织。群体智能的运作基于自组织的原则，群体成员之间具有反馈机制且相互作用，根据环境和任务的要求自发调整自身的行为。这让群体更为灵活、适应性更强。（没有信息交互，则无所谓群体）

（4）协同效应。群体的能力大于个体的能力之和，共享信息提升了群体的能力。（众人拾柴火焰高）

粒子群算法原理

在粒子群算法中，我们的目的是解决某优化问题，则将问题的一个解看做一个粒子，多个解看做一个粒子群。初始状态，随机生成一个粒子群（一系列解），粒子遍布在问题的解空间当中，即粒子具有初始位置。

继而赋予粒子速度（即在解空间中运动，或者说变动的能力），让粒子在解空间中“飞行”。我们建立适应度，这是一个评价粒子“好坏”（粒子对应的解是否更贴合优化的要求）的标准。适应度越高，粒子越“好”。

不断迭代，让粒子在以自己的速度飞行的同时，依据自己曾经到达的“历史最佳位置”和群体的“历史最佳位置”调整飞行轨迹，不断迭代直至问题趋于最优解。

具体而言粒子群算法的步骤如下（以函数寻优为例）：

问题：是一个n元函数，需要寻找其在上的最小值。

①此时迭代轮次k=0。随机生成m个中的点