一、引言
哈喽大家好，有一段时间没更新Blog了，最近身体不太舒服哈，今天开始继续更了。言归正传，这次要讲的是“粒子群算法”。这个算法是由两个科学家在1995年，根据对鸟类捕食行为的研究所得到启发而想出来的。好的，接下来让我们开始吧。
二、鸟类捕食行为
鸟妈妈有7个鸟宝宝，有一天，鸟妈妈让鸟宝宝们自己去找虫子吃。于是鸟宝宝们开始了大范围的捕食行为。一开始鸟宝宝们不知道哪里可以找得到虫子，于是每个鸟宝宝都朝着不同的方向独自寻找。
但是为了能够更快的找到虫子吃，鸟宝宝们协商好，谁发现了虫子，就互相说一声。
找了一会，终于有一个鸟宝宝（称之为小蓝），似乎发现在他附近不远处有虫子的踪迹。于是它传话给其他鸟宝宝，其他鸟宝宝，收到消息后，边开始改变轨迹，飞到小蓝这边。最终，随着小蓝越来越接近虫子。其他虫宝宝也差不多都聚集到了小蓝这边。最终，大家都吃到了虫子。
三、粒子群算法
3.1 故事分析
鸟宝宝捕食的故事，正是这个粒子群算法存在的原因。因此，如果想更好的了解粒子群算法，我们就要来分析鸟宝宝捕食的故事。首先，我们来分析分析鸟宝宝们的运动状态，即鸟宝宝自身是怎么决定自己的飞翔速度和位置的。
(1) 呐首先，我们知道物体是具有惯性的，鸟宝宝在一开始飞翔的时候，无论它下一次想怎么飞，往哪个方向飞，它都有一个惯性，它必须根据当前的速度和方向来进行下一步的调整。对吧，这个可以理解吧，因此，“惯性”——当前的速度$v_{current}$是一个因素。
(2) 其次，由于鸟宝宝长期捕食，因此鸟宝宝有经验，它虽然不知道具体哪里是有虫子的存在，但是它能大概知道虫子分布在哪里。比如当鸟宝宝飞到贫瘠的地方，它肯定知道这里是不会有虫子的，因此，在鸟宝宝的心中，它每次飞，都会根据自己的经验来找，比如以往虫子分布的地区，它肯定优先对这部分的地方进行搜索。因此，自己的“认知”——经验，也是一个因素。
(3) 最后，每个鸟宝宝发现自己离虫子更接近的时候，便会发出信号给同伴，在遇到这样的信号，其余还在找的鸟宝宝们就会想着，同伴的位置更接近虫子，我要往它那边过去看看。我们称之为“社会共享”，这也是鸟宝宝在移动时考虑的一个因素。
综上所述，鸟宝宝每次在决定下一步移动的速度和方向时，脑子里是由这三个因素影响的。我们想，如果能够用一条公式来描述着三个因素的影响的话，那不就能写出每个鸟宝宝的移动方向和速度么。但是，每一个鸟宝宝，对这三个因素的考虑都是不一致的，比如对于捕食经验不高的鸟宝宝，移动的时候会更看重同伴分享的信息，而对于捕食经验高的鸟宝宝，则更看重自己的经验。因此，我们的公式，在“认知”和“社会共享”这部分，是具有随机性的。
3.2 公式表达
我们的粒子群算法是这样的：
(1) 每一个鸟宝宝，都是我们的解，称之为“粒子”，而我们的虫子，就是我们问题的最优解。也就是说，鸟宝宝捕食过程，也就是所有的粒子在解空间内寻找到最优解的过程。
(2) 每一个粒子，都由一个fitness function来确定fitness value，以此来确定粒子位置的好坏。（这个其实就是模仿鸟宝宝的“经验”判断部分，通过fitness function来确定这个位置是不是所谓的贫瘠地或是虫子可能出现的位置）。
(3) 每一个粒子被赋予了记忆功能，能够记忆所搜寻过的最佳位置。
(4) 每一个粒子都有一个速度以及决定飞行的距离和方向，这个根据它本身的飞行经验和同伴共享的信息所决定。
现在，在d维空间中，有n个粒子。其中：
粒子i的位置：
$X_{i} = (x_{i1}, x_{i2}, \cdot \cdot \cdot, x_{id})$
粒子i的速度：
$V_{i} = (v_{i1}, v_{i2}, \cdot \cdot \cdot, v_{id})$
粒子i所搜寻到的最好的位置（personal best）：
$Pbest_{id} = (pbest_{i1}, pbest_{i2}, \cdot \cdot \cdot, pbest_{id})$
种群所经历的最好的位置(global best)：
$Gbest_{d} = (gbest_{1}, gbest_{2}, \cdot \cdot \cdot, gbest_{d})$
另外，我们要给我们的粒子速度和位置做一个限制，毕竟我们不希望鸟宝宝的速度过快或者以及飞出我们要搜寻的范围。因此对于每个粒子i，有：
$X_{i} \in [X_{min}, X_{max}]$
$V_{i} \in [V_{min}, V_{max}]$
根据前面的分析，我们可以写出下面两条公式：
- 在d维空间中，粒子i的速度更新公式为：
$V_{i}^{k} = wV_{i}^{k-1}+c_{1}rand()\left (Pbest_{i} - X_{i}^{k-1} \right ) + c_{2}Rand() \left( Gbest_{i} - X_{i}^{k-1} \right )$
- 在d维空间中，粒子i的位置更新公式为：
$X_{i}^{k} = X_{id}^{k-1}+ V_{i}^{k-1}$
在上式中，上标k-1和k表示粒子从k-1次飞行操作到下一次飞行操作的过程。
(1) 我们先来看看速度更新公式，可以看出包含三部分，分别是我们前面分析的“惯性”、“认知”、“社会共享”这三大块。而rand()和Rand()分别给“认知”和“社会共享”提供随机性，即每个粒子对这两部分的看重是不一样的。其中c_{1}和c_{2}是我们自己加的，表示我们自己对这两部分的分量的控制。另外w是一个惯性的权重，是用于调节对解空间的搜索范围。关于这个w的出现还有一段历史，大家感兴趣的可以去查查论文，这里就不细讲了。
(2) 接着是位置更新公式，这部分很简单，我们都知道$x = x_{0} + vt$。可是这里为什么少了个$t$呢，这里我们可以简单理解为从k-1次飞行到下一次飞行，耗费了一个单位时间$t$，因此就没有$t$出现了。
好了，上面那两个公式就是粒子群算法的核心了。
3.3 算法流程
(1) Initial:
初始化粒子群体（群体规模为n），每个粒子的信息包括随机位置和随机速度。
(2) Evaluation
根据fitness function，算出每个粒子的fitness value。
(3) Find the Pbest
对于每个粒子，将其当前的fitness value与历史最佳的位置（Pbest）所对应的fitness value做比较。若当前的fitness value更高，则将当前的位置更新Pbest。
(4) Find the Gbest
对于每个粒子，将其当前的fitness value与群体历史最佳的位置（Gbest）所对应的fitness value做比较。若当前的fitness value更高，则将当前的位置更新Gbest。
(5) Update the Velocity and Position:
根据公式更新每个粒子的速度和位置
(6) 如果未找到最佳值，则返回步骤2。（若达到了最佳迭代数量或者最佳fitness value的增量小于给定的阈值，则停止算法）
四、粒子群算法Matlab代码示例
4.1 利用粒子群算法计算一元函数的最大值
%% 题目1：利用粒子群算法计算一元函数的最大值
%% I. 清空环境
clc
clear all
%% II. 绘制目标函数曲线图
x = 1: 0.01: 2;
y = sin(10*pi*x) ./ x;
figure
plot(x, y)
hold on
%% III. 参数初始化
c1 = 1.49445;
c2 = 1.49445;
maxgen = 50; % 进化次数(迭代次数)
sizepop = 10; % 种群规模(粒子数数目)
dimension = 1; % 这里因为是一元函数的求解，即一维，故列数为1
% 速度的边界
Vmax = 0.5;
Vmin = -0.5;
% 种群的边界
popmax = 2;
popmin = 1;
% 用于计算惯性权重，经验值
ws = 0.9;
we = 0.4;
% 给矩阵预分配内存
pop = zeros(sizepop, dimension);
V = zeros(sizepop, dimension);
fitness = zeros(sizepop, 1);
yy = zeros(maxgen);
w = zeros(maxgen);
%% IV. 产生初始粒子和速度
for i = 1: sizepop
% 随机产生一个种群
pop(i, :) = (rands(1) + 1) / 2 + 1; % 初始种群
V(i, :) = 0.5 * rands(1); % 初始化速度
% 计算适应度
fitness(i) = fun(pop(i, :));
end
%% V. 初始化Personal best和Global best
[bestfitness, bestindex] = max(fitness);
gbest = pop(bestindex,:); % Global best
pbest = pop; % 一开始的个体数据都是最佳的
fitnesspbest = fitness; % 个体最佳适应度值
fitnessgbest = bestfitness; % 全局最佳适应度值
%% VI. 迭代寻优
for i = 1: maxgen % 迭代循环
w(i) = ws - (ws - we) * (i / maxgen); % 让惯性权重随着迭代次数而动态改变，控制搜索精度
for j = 1: sizepop % 遍历所有粒子
% 速度更新
V(j, :) = w(i)*V(j, :) + c1*rand*(pbest(j, :) - pop(j, :)) + c2*rand*(gbest - pop(j, :));
if V(j, :) > Vmax
V(j, :) = Vmax;
end
if V(j, :) < Vmin
V(j, :) = Vmin;
end
% 种群更新(位置更新)
pop(j, :) = pop(j, :) + V(j, :);
if pop(j, :) > popmax
pop(j, :) = popmax;
end
if pop(j, :) < popmin
pop(j, :) = popmin;
end
% 适应度值更新
fitness(j) = fun(pop(j, :));
end
for j = 1: sizepop
% 个体最优更新
if fitness(j) > fitnesspbest(j)
pbest(j, :) = pop(j, :);
fitnesspbest(j) = fitness(j);
end
%群体最优更新
if fitness(j) > fitnessgbest
gbest = pop(j, :);
fitnessgbest = fitness(j);
end
end
yy(i) = fitnessgbest; % 记录每次迭代完毕的群体最优解
end
%% VII. 输出结果并绘图
[fitnessgbest gbest] % 输出数据
figure
plot(yy)
title(‘最优个体适应度‘, ‘fontsize‘,12);
xlabel(‘进化代数‘, ‘fontsize‘, 12);
ylabel(‘适应度‘, ‘fontsize‘,12);
其中，适应值函数被封装到fun.m中，如下：
function y = fun(x) % 函数用于计算粒子适应度值 %x input 输入粒子 %y output 粒子适应度值 y = sin(10 * pi * x) / x;
运行上述代码，得到的数据和图如下：
ans =
0.9528 1.0490
可以看到，红点处正是我们函数的最大值处。
4.2 利用粒子群算法计算二元函数的最大值
%% 题目2： 利用粒子群算法计算二元函数的最大值
%% I. 清空环境
clc
clear
%% II. 绘制目标函数曲线
figure
[x, y] = meshgrid(-5: 0.1: 5, -5: 0.1: 5);
z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20;
mesh(x,y,z)
hold on
%% III. 参数初始化
c1 = 1.49445;
c2 = 1.49445;
maxgen = 1000; % 进化次数
sizepop = 100; % 种群规模
dimension = 2; % 这里因为是二元函数的求解，即二维，故列数为2
% 速度的边界
Vmax = 1;
Vmin = -1;
% 种群的边界
popmax = 5;
popmin = -5;
% 用于计算惯性权重，经验值
ws = 0.9;
we = 0.4;
% 给矩阵预分配内存
pop = zeros(sizepop, dimension);
V = zeros(sizepop, dimension);
fitness = zeros(sizepop, 1);
yy = zeros(maxgen);
w = zeros(maxgen);
%% IV. 产生初始粒子和速度
for i = 1: sizepop
% 随机产生一个种群
pop(i, :) = 5 * rands(1, 2); % 初始种群
V(i, :) = rands(1, 2); % 初始化速度
% 计算适应度
fitness(i) = fun(pop(i, :));
end
%% V. 初始化Personal best和Global best
[bestfitness, bestindex] = max(fitness);
gbest = pop(bestindex, :); % Global best
pbest = pop; % 个体最佳
fitnesspbest = fitness; % 个体最佳适应度值
fitnessgbest = bestfitness; % 全局最佳适应度值
%% VI. 迭代寻优
for i = 1: maxgen
w(i) = ws - (ws - we) * (i / maxgen); % 让惯性权重随着迭代次数而动态改变，控制搜索精度
for j = 1: sizepop
% 速度更新
V(j, :) = w(i)*V(j, :) + c1*rand*(pbest(j, :) - pop(j, :)) + c2*rand*(gbest - pop(j, :));
for k = 1: dimension
if V(j, k) > Vmax
V(j, k) = Vmax;
end
if V(j, k) < Vmin
V(j, k) = Vmin;
end
end
% 种群更新(位置更新)
pop(j, :) = pop(j, :) + V(j, :);
for k = 1: dimension
if pop(j, k) > popmax
pop(j, k) = popmax;
end
if pop(j, k) < popmin
pop(j, k) = popmin;
end
end
% 适应度值更新
fitness(j) = fun(pop(j, :));
end
for j = 1: sizepop
% 个体最优更新
if fitness(j) > fitnesspbest(j)
pbest(j, :) = pop(j, :);
fitnesspbest(j) = fitness(j);
end
%群体最优更新
if fitness(j) > fitnessgbest
gbest = pop(j, :);
fitnessgbest = fitness(j);
end
end
yy(i) = fitnessgbest; % 记录每次迭代完毕的群体最优解
end
%% VII.输出结果
[fitnessgbest, gbest]
plot3(gbest(1), gbest(2), fitnessgbest, ‘bo‘,‘linewidth‘, 1.5)
figure
plot(yy)
title(‘最优个体适应度‘, ‘fontsize‘, 12);
xlabel(‘进化代数‘, ‘fontsize‘, 12);
ylabel(‘适应度‘, ‘fontsize‘, 12);
其中，适应值函数被封装到fun.m中，如下：
function y = fun(x) %函数用于计算粒子适应度值 %x input 输入粒子 %y output 粒子适应度值 y = x(1).^2 + x(2).^2 - 10*cos(2*pi*x(1)) - 10*cos(2*pi*x(2)) + 20;
运行上述代码，得到的数据和图如下：
ans = 80.7066 4.5230 4.5230
可以看到，图中标注的地方是我们求得的最大值处。其实我们知道，对于这个函数，因为是对称的，所以4个点都是同样的最大值，这就是粒子群算法的缺点了。很容易陷入局部最优解。因为我们的粒子群算法其实并不知道什么是最优解，它只是让粒子不断的找一个相对之前所有的解都是最好的一个解。所以，这样的粒子群算法是有局限性的，用的时候要根据场合来选择。
原文地址：https://www.cnblogs.com/Qling/p/9343625.html