零基礎小白看懂粒子群優化算法（PSO）
一、什么是粒子群優化算法？
簡單說，粒子群優化算法（PSO）是一種模擬鳥群 / 魚群覓食的智能算法。想象一群鳥在找食物：
- 每只鳥（叫 “粒子”）不知道食物在哪，但能看到自己飛過的地方中 “最可能有食物” 的位置（個體經驗）；
- 也能看到整個群體中 “最可能有食物” 的位置（群體經驗）；
- 它們會根據這兩個經驗調整飛行方向和速度，慢慢靠近食物（最優解）。
PSO 就是用這種思路解決 “找最優解” 的問題，比如 “如何讓某個函數的結果最小（或最大）”。
二、核心概念拆解
粒子：算法中的 “搜索者”，每個粒子有兩個關鍵屬性：
- 位置：當前在搜索空間中的坐標（比如在三維空間中，位置可以用 (x1, x2, x3) 表示）；
- 速度：下一步移動的方向和快慢。
適應度函數：判斷 “這個位置好不好” 的標準。比如我們想最小化函數
f(x) = -10x1 - e^(-x2/10 - x3)，那每個粒子的位置代入這個函數后，結果越小，說明位置越 “好”。個體最優（p_best）：每個粒子自己飛過的所有位置中，適應度最好的那個位置（“我之前飛過的地方里，這里最可能有食物”）。
全局最優（g_best）：整個群體所有粒子飛過的位置中，適應度最好的那個位置（“大家飛過的地方里，這里最可能有食物”）。
位置和速度更新：粒子每次移動時，會根據以下規則調整速度和位置：
- 速度 = 慣性（保持之前的速度） + 個體經驗（向自己的 p_best 靠近） + 群體經驗（向全局的 g_best 靠近）；
- 新位置 = 當前位置 + 新速度。
就像鳥飛的時候，既不會完全忘記之前的方向（慣性），也會參考自己和同伴的最佳經驗調整方向。
三、算法怎么跑起來？（用例子和代碼說話）
假設我們要解決的問題是：最小化函數f(x) = -10x1 - e^(-x2/10 - x3)，其中 x1 的范圍是 0-1，x2 是 1-80，x3 是 0-120。
1. 初始化
先創建 100 個粒子（N=100），每個粒子有 3 個維度（x1, x2, x3，即 D=3）；隨機給每個粒子分配初始位置（在上述范圍內）和初始速度（比如 - 1 到 1 之間）。
在代碼中，初始化的實現如下：
# 導入必要的庫
import numpy as np # 用于數值計算
import random # 用于生成隨機數
import math # 用于數學運算
import matplotlib.pyplot as plt # 用于繪圖# 2. 初始化粒子的位置和速度
def initialize_particles(num_particles, num_dimensions, pos_low, pos_high, vel_low, vel_high):"""參數說明：- num_particles：粒子數量- num_dimensions：變量維度（這里是3，因為有x1、x2、x3）- pos_low/pos_high：每個變量的位置范圍（列表形式）- vel_low/vel_high：速度范圍"""# 初始化位置矩陣（行數=粒子數，列數=維度）positions = np.zeros((num_particles, num_dimensions))# 初始化速度矩陣velocities = np.zeros((num_particles, num_dimensions))for i in range(num_particles): # 遍歷每個粒子for j in range(num_dimensions): # 遍歷每個維度（變量）# 位置在[pos_low[j], pos_high[j]]范圍內隨機生成positions[i][j] = random.uniform(pos_low[j], pos_high[j])# 速度在[vel_low, vel_high]范圍內隨機生成velocities[i][j] = random.uniform(vel_low, vel_high)return positions, velocities
2. 定義適應度函數
適應度函數是判斷位置好壞的標準，對于我們要最小化的函數，代碼定義如下：
# 1. 定義適應度函數（目標函數）
# 這里要最小化的函數：f(x) = -10*x1 - e^(-x2/10 - x3)
def fitness(x):# x是一個列表，包含3個變量：x[0]是x1，x[1]是x2，x[2]是x3x1, x2, x3 = x[0], x[1], x[2]return -10 * x1 - math.exp(-x2/10 - x3) # 計算函數值
3. 找初始最優
計算每個粒子的適應度（代入函數算結果）；每個粒子的初始 “個體最優” 就是自己的初始位置；從所有粒子中挑出適應度最小的位置，作為 “全局最優”。
這部分在主函數中初始化個體最優和全局最優時實現：
# 初始化個體最優：一開始每個粒子的最優位置就是自己的初始位置
p_best_pos = positions.copy() # 個體最優位置矩陣
# 計算每個粒子的初始適應度（目標函數值）
p_best_val = np.array([fitness(pos) for pos in positions]) # 個體最優值數組# 初始化全局最優：從個體最優中找最好的
g_best_idx = np.argmin(p_best_val) # 找到適應度最小的索引（因為我們要最小化函數）
g_best_pos = p_best_pos[g_best_idx].copy() # 全局最優位置
g_best_val = p_best_val[g_best_idx] # 全局最優值
4. 迭代優化（重復 100 次，即 M=100）
每個粒子根據 “慣性、個體最優、全局最優” 更新速度和位置；每次移動后，重新計算適應度，如果比自己之前的 “個體最優” 更好，就更新個體最優；再從所有個體最優中挑出最好的，更新全局最優。
速度和位置更新的代碼實現：
# 3. 更新粒子的位置和速度
def update_particles(positions, velocities, p_best_pos, g_best_pos, w, c1, c2, pos_low, pos_high, vel_low, vel_high):"""參數說明：- p_best_pos：每個粒子的個體最優位置- g_best_pos：全局最優位置- w：慣性權重（控制對之前速度的保留程度）- c1、c2：學習因子（控制個體/群體經驗的影響程度）"""num_particles, num_dimensions = positions.shape # 獲取粒子數和維度for i in range(num_particles): # 遍歷每個粒子for j in range(num_dimensions): # 遍歷每個維度# 生成0-1之間的隨機數（增加搜索隨機性）r1 = random.uniform(0, 1)r2 = random.uniform(0, 1)# 速度更新公式：慣性 + 個體經驗 + 群體經驗velocities[i][j] = (w * velocities[i][j] # 慣性部分+ c1 * r1 * (p_best_pos[i][j] - positions[i][j]) # 向個體最優靠近+ c2 * r2 * (g_best_pos[j] - positions[i][j])) # 向全局最優靠近# 限制速度在[vel_low, vel_high]范圍內（避免速度過大）velocities[i][j] = max(min(velocities[i][j], vel_high), vel_low)# 位置更新公式：當前位置 + 新速度positions[i][j] += velocities[i][j]# 限制位置在[pos_low[j], pos_high[j]]范圍內（避免超出變量定義域）positions[i][j] = max(min(positions[i][j], pos_high[j]), pos_low[j])return positions, velocities
5. 算法主函數
將上述步驟整合到主函數中，實現完整的 PSO 算法：
# 4. 粒子群優化算法主函數
def pso_algorithm(num_particles, num_dimensions, max_iter, pos_low, pos_high, vel_low, vel_high, w=0.9, c1=2, c2=2):"""參數說明：- max_iter：最大迭代次數（搜索多少次）- 其他參數同上"""# 初始化粒子位置和速度positions, velocities = initialize_particles(num_particles, num_dimensions, pos_low, pos_high, vel_low, vel_high)# 初始化個體最優：一開始每個粒子的最優位置就是自己的初始位置p_best_pos = positions.copy() # 個體最優位置矩陣# 計算每個粒子的初始適應度（目標函數值）p_best_val = np.array([fitness(pos) for pos in positions]) # 個體最優值數組# 初始化全局最優：從個體最優中找最好的g_best_idx = np.argmin(p_best_val) # 找到適應度最小的索引（因為我們要最小化函數）g_best_pos = p_best_pos[g_best_idx].copy() # 全局最優位置g_best_val = p_best_val[g_best_idx] # 全局最優值# 記錄每次迭代的最優值（用于畫圖）best_values = [g_best_val]# 開始迭代搜索for iter in range(max_iter):# 更新粒子位置和速度positions, velocities = update_particles(positions, velocities, p_best_pos, g_best_pos, w, c1, c2, pos_low, pos_high, vel_low, vel_high)# 更新個體最優和全局最優for i in range(num_particles):current_val = fitness(positions[i]) # 當前位置的適應度# 如果當前位置比個體最優好（值更小），就更新個體最優if current_val < p_best_val[i]:p_best_pos[i] = positions[i].copy()p_best_val[i] = current_val# 從個體最優中找新的全局最優current_g_best_idx = np.argmin(p_best_val)current_g_best_val = p_best_val[current_g_best_idx]# 如果新的全局最優更好，就更新全局最優if current_g_best_val < g_best_val:g_best_pos = p_best_pos[current_g_best_idx].copy()g_best_val = current_g_best_val# 記錄當前迭代的最優值best_values.append(g_best_val)# 打印迭代信息（每10次打印一次，避免輸出太多）if (iter + 1) % 10 == 0:print(f"迭代第{iter+1}次，當前最優值：{g_best_val:.6f}")# 畫收斂曲線（最優值隨迭代次數的變化）plt.figure(figsize=(8, 5))plt.plot(best_values)plt.xlabel("迭代次數")plt.ylabel("最優目標函數值")plt.title("PSO算法收斂曲線")plt.grid(True)plt.show()return g_best_pos, g_best_val # 返回最終找到的最優位置和最優值
6. 運行程序并查看結果
通過主程序調用 PSO 算法，設置參數并運行：
# 5. 主程序：運行PSO算法
if __name__ == "__main__":# 問題設置num_particles = 100 # 粒子數量（100個粒子一起搜索）num_dimensions = 3 # 變量維度（x1, x2, x3三個變量）max_iter = 100 # 最大迭代次數（搜索100次）# 變量范圍：x1∈[0,1]，x2∈[1,80]，x3∈[0,120]pos_low = [0, 1, 0]pos_high = [1, 80, 120]# 速度范圍（一般設為位置范圍的10%-20%）vel_low = -1vel_high = 1# 運行PSO算法best_position, best_value = pso_algorithm(num_particles, num_dimensions, max_iter, pos_low, pos_high, vel_low, vel_high)# 輸出結果print("\n優化結束！")print(f"找到的最優位置：x1={best_position[0]:.4f}, x2={best_position[1]:.4f}, x3={best_position[2]:.4f}")print(f"對應的最優目標函數值：{best_value:.6f}")
迭代結束后，全局最優位置就是算法找到的 “最佳解”。比如例子中最后得到的最佳位置可能是 (1, 1, 0)，對應的函數結果約為 - 10.9048。
四、為什么要用 PSO？
- 簡單好懂：不需要復雜的數學推導，原理像 “群體找東西” 一樣直觀；
- 靈活高效：能解決多變量、復雜函數的優化問題（比如最小化、最大化）；
- 容易實現：用 Python 等語言幾行代碼就能寫出基本版本，如上述示例代碼所示。
五、總結
粒子群優化算法（PSO）通過模擬群體中每個個體的 “學習”（參考自己和他人的經驗）來搜索最優解，步驟簡單、效果實用，是解決優化問題的常用工具。就像一群鳥通過互相 “借鑒” 飛行經驗，最終找到食物最多的地方一樣。
上述代碼實現了粒子群優化算法，用于尋找目標函數f(x) = -10x1 - e^(-x2/10 - x3)的最小值（其中 x1、x2、x3 有明確的范圍限制）。通過運行代碼，可以直觀看到粒子群算法如何通過群體協作逐步逼近最優解，適合零基礎小白理解 PSO 的核心邏輯。如果想解決其他優化問題，只需修改 fitness 函數（目標函數）和 pos_low/pos_high（變量范圍）即可。
)
