别再死记硬背公式了！用Python从零实现粒子群算法(PSO)，5分钟搞定函数优化

用Python实战粒子群算法：5行代码理解群体智能优化

在解决复杂函数优化问题时，传统数学方法往往陷入计算复杂度的泥潭。而自然界中鸟群觅食、鱼群游动的集体智慧，却给我们提供了全新思路。1995年诞生的粒子群算法(PSO)正是受此启发，现已成为优化领域的经典工具。本文将抛开数学公式，带你用Python从零实现一个可运行的PSO模型，通过可视化观察粒子如何协同找到最优解。

1. 环境准备与问题定义

首先确保你的Python环境已安装以下库：

pip install numpy matplotlib

我们以经典的Rastrigin函数作为优化目标，这个多峰函数常用来测试优化算法性能：

import numpy as np def rastrigin(x): """二维Rastrigin函数，全局最小值在(0,0)处""" return 20 + x[0]**2 + x[1]**2 - 10*(np.cos(2*np.pi*x[0]) + np.cos(2*np.pi*x[1]))

表：常见测试函数对比

2. PSO核心实现

粒子群算法的核心在于每个粒子通过三种信息调整自己的运动方向：

1. 惯性分量：保持原有运动趋势
2. 认知分量：向个体历史最佳位置移动
3. 社会分量：向群体历史最佳位置移动

class Particle: def __init__(self, dim, bounds): self.position = np.random.uniform(bounds[0], bounds[1], dim) self.velocity = np.random.uniform(-1, 1, dim) self.best_pos = self.position.copy() self.best_score = float('inf') def update_velocity(particle, global_best, w=0.7, c1=1.5, c2=1.5): r1, r2 = np.random.rand(2) # 计算三个分量 inertia = w * particle.velocity cognitive = c1 * r1 * (particle.best_pos - particle.position) social = c2 * r2 * (global_best - particle.position) particle.velocity = inertia + cognitive + social

参数选择经验：惯性权重w通常取0.4-0.9，c1和c2取1.5-2.0能获得较好平衡

3. 完整算法流程

下面展示完整的PSO实现，包含边界处理和适应度评估：

def pso(dim, bounds, n_particles=30, max_iter=100): swarm = [Particle(dim, bounds) for _ in range(n_particles)] global_best = np.zeros(dim) global_score = float('inf') for _ in range(max_iter): for particle in swarm: # 评估当前位置 current_score = rastrigin(particle.position) # 更新个体最佳 if current_score < particle.best_score: particle.best_pos = particle.position.copy() particle.best_score = current_score # 更新全局最佳 if current_score < global_score: global_best = particle.position.copy() global_score = current_score # 更新所有粒子速度和位置 for particle in swarm: update_velocity(particle, global_best) particle.position += particle.velocity # 边界检查 particle.position = np.clip(particle.position, bounds[0], bounds[1]) return global_best, global_score

4. 可视化与参数调优

通过matplotlib可以直观观察粒子运动轨迹：

import matplotlib.pyplot as plt def plot_swarm(swarm, iteration): plt.clf() x = [p.position[0] for p in swarm] y = [p.position[1] for p in swarm] plt.scatter(x, y, c='blue', alpha=0.5) plt.xlim(-5, 5) plt.ylim(-5, 5) plt.title(f'Iteration {iteration}') plt.pause(0.1)

表：参数调整对算法性能的影响

5. 进阶技巧与变体算法

标准PSO有几个常见改进方向：

1. 自适应参数：随着迭代动态调整w值

   def adaptive_w(iter, max_iter): return 0.9 - (0.5 * iter / max_iter)

2. 速度限制：防止粒子飞出搜索空间

   particle.velocity = np.clip(particle.velocity, -v_max, v_max)

3. 量子粒子群(QPSO)：引入量子行为概念

   def qpso_update(particle, mbest, beta=0.5): u = np.random.rand() if np.random.rand() < 0.5: new_pos = particle.best_pos + beta * abs(mbest - particle.position) * np.log(1/u) else: new_pos = particle.best_pos - beta * abs(mbest - particle.position) * np.log(1/u) return new_pos

在实际项目中，PSO常用于神经网络超参数优化、工程设计优化等领域。我曾用自适应PSO优化过图像处理参数，相比网格搜索效率提升了近10倍。