粒子群优化算法是什么？模仿鸟群觅食的群体智能优化方法

粒子群优化算法（Particle Swarm Optimization，PSO）是一种模仿鸟群、鱼群等动物群体行为的优化算法，由社会心理学家 James Kennedy 和电气工程师 Russell Eberhart 在 1995 年提出。它属于群体智能和进化计算的范畴，通过一群简单个体之间的协作，来寻找复杂问题的最优解。

灵感：鸟群如何找食物

设想一群鸟在一片区域中寻找食物，区域中只有一个地方有食物，但所有的鸟都不知道食物具体在哪里，只能感觉到自己现在离食物大概有多远。一种简单有效的策略是：每只鸟都记住自己飞过的地方中离食物最近的那个位置；同时，鸟群之间相互交流，大家都知道整个鸟群目前找到的离食物最近的位置；然后每只鸟在飞行时，一方面朝着自己记忆中最好的位置靠拢，一方面朝着整个群体发现的最好位置靠拢，同时保持一定的惯性和随机性。这样，整个鸟群就能逐渐地聚集到食物所在的地方。

算法是怎么工作的

在粒子群优化算法中，要优化的问题的每一个可能的解，都被看作搜索空间中的一个“粒子”，就像一只鸟。每个粒子有自己的位置，代表一个候选解，还有自己的速度，代表它下一步移动的方向和距离。算法开始时，随机地生成一群粒子，分布在搜索空间中。然后进行迭代：计算每个粒子当前位置的好坏程度，也就是目标函数的值；更新每个粒子记忆中的个体最佳位置，以及整个群体的全局最佳位置；然后更新每个粒子的速度，新的速度由三部分组成：一是惯性，保持一部分原来的速度；二是自我认知，朝着自己的个体最佳位置移动；三是社会学习，朝着群体的全局最佳位置移动，后两部分都会乘以一个随机数，增加搜索的多样性；最后根据新的速度更新粒子的位置。如此反复迭代，粒子群就会逐渐地向最优解的区域聚集。

1998 年，Yuhui Shi 和 Eberhart 引入了惯性权重，用来平衡全局的探索和局部的精细搜索：惯性权重较大时，粒子飞得更远，更善于探索新的区域；较小时，粒子更倾向于在当前的好位置附近精细地搜索。通常会让惯性权重随着迭代逐渐减小。

优缺点

粒子群优化算法的优点是概念简单、容易实现，需要调节的参数少；它不需要计算目标函数的梯度，因此适用于目标函数不可导、不连续，或者只能通过模拟和实验来计算的问题；它是一种全局搜索方法，有机会跳出局部最优；多个粒子可以并行地计算。它的缺点是不能保证一定找到全局最优解；在复杂的问题上可能过早地收敛，所有粒子都聚集到一个局部最优解附近，失去多样性；在高维的问题上效率会下降；而且缺乏严格的理论保证。

应用

粒子群优化算法被广泛用于各种工程优化问题：电力系统的调度、天线和电路的设计、控制系统的参数整定、结构设计、路径规划，以及机器学习中的超参数调优、特征选择和神经网络的权重训练等。它与遗传算法、蚁群算法、差分进化算法等一起，是最常用的启发式优化算法之一。