智能算法中的粒子群算法

一、解决最优化问题的方法
1.传统搜索方法：能够确保寻得全局最优解
2.启发式搜索：无法确保获得最佳解决方案

二、定义
粒子群优化算法（Particle Swarm Optimization，PSO）属于自然计算领域中的一个子类，其本质是一种模仿自然界生物行为的随机搜索技术。该算法通过群体的不断迭代，使各个粒子在解空间中追踪当前最优的个体以完成搜索过程。

三、基本原理
核心理念：信息在群体中的共享与传播

四、算法描述
1.鸟群：设想某一特定区域，区域内所有鸟类均不具备食物具体位置的信息，但能够感知自身所处位置与目标之间的距离差异。
2.算法本质：将每一个可能的解视为一只飞行中的鸟类，称之为“粒子（Particle）”。每个粒子都具有一个衡量其优劣的适应值，并且拥有一个速度参数，该参数决定了其在解空间中移动的方向和幅度。整个群体在搜索过程中会跟随当前最优的粒子进行探索。
3.PSO算法：初始阶段设定为一组随机分布的粒子，并通过不断迭代计算以逼近最优解。在每次迭代过程中，各粒子依据“个体极值（pbest）