粒子群优化算法(PSO)原理与Python高级实现

【智能优化】粒子群优化算法(PSO)原理与Python高级实现

📅 2026-05-08 | 🏷️ 智能优化 | 🏷️ 群智能 | 🏷️ PSO

一、引言

粒子群优化算法(Particle Swarm Optimization, PSO)是由Kennedy和Eberhart于1995年提出的群智能优化算法。该算法模拟鸟群觅食行为，通过粒子间的信息共享和相互学习来寻找最优解。PSO概念简单、参数少、收敛快，是应用最广泛的智能优化算法之一。

二、算法原理

2.1 核心公式

速度更新：
vid+1=w⋅vid+c1⋅r1⋅(pbesti−xid)+c2⋅r2⋅(gbest−xid)v_{i}^{d+1} = w \cdot v_{i}^{d} + c_1 \cdot r_1 \cdot (pbest_i - x_{i}^{d}) + c_2 \cdot r_2 \cdot (gbest - x_{i}^{d})vid+1​=w⋅vid​+c1​⋅r1​⋅(pbesti​−xid​)+c2​⋅r2​⋅(gbest−xid​)

位置更新：
xid+1=xid+vid+1x_{i}^{d+1} = x_{i}^{d} + v_{i}^{d+1}xid+1​=xid​+vid+1​

其中：

• www：惯性权重，控制搜索范围
• c1,c2c_1, c_2c1​,c2​：学习因子，通常取1.49445
• r1,r2r_1, r_2r1​,r2​：均匀随机数，∈[0,1]\in [0, 1]∈[0,1]
• pbestipbest_ipbesti​：粒子历史最优位置
• gbestgbestgbest：全局最优位置

2.2 惯性权重策略

# 线性递减策略w=w_max-(w_max-w_min)*t/max_iter# 典型值: w_max = 0.9, w_min = 0.4# 非线性递减策略w=w_max*(w_max/w_min)**(1/(1+t/max_iter))# 随机惯性权重w=0.5+np.random.random()/2

三、Python高级实现

importnumpyasnpimportmatplotlib.pyplotaspltclassAdvancedPSO:def__init__(self,dim=30,pop=30,max_iter=500,lb=-100,ub=100,w_max=0.9,w_min=0.4,c1=1.49445,c2=1.49445):self.dim=dim self.pop=pop self.max_iter=max_iter self.lb=lb self.ub=ub self.w_max=w_max self.w_min=w_min self.c1=c1 self.c2=c2defoptimize(self,obj_func,strategy='linear',callback=None):# 初始化粒子位置和速度X=np.random.uniform(self.lb,self.ub,(self.pop,self.dim))V=np.zeros((self.pop,self.dim))# 评估适应度fitness=np.array([obj_func(x)forxinX])# 初始化最优位置pbest_x=X.copy()pbest_f=fitness.copy()# 全局最优gbest_idx=np.argmin(fitness)gbest_x=X[gbest_idx].copy()gbest_f=fitness[gbest_idx]convergence=[]fortinrange(self.max_iter):# 更新惯性权重ifstrategy=='linear':w=self.w_max-(self.w_max-self.w_min)*t/self.max_iterelifstrategy=='nonlinear':w=self.w_max*(self.w_max/self.w_min)**(-t/self.max_iter)elifstrategy=='random':w=0.5+np.random.random()/2else:w=self.w_max# 更新速度和位置foriinrange(self.pop):r1,r2=np.random.random(),np.random.random()V[i]=w*V[i]+\ self.c1*r1*(pbest_x[i]-X[i])+\ self.c2*r2*(gbest_x-X[i])# 速度限制V[i]=np.clip(V[i],-0.2*(self.ub-self.lb),0.2*(self.ub-self.lb))X[i]=X[i]+V[i]X[i]=np.clip(X[i],self.lb,self.ub)# 评估fitness=np.array([obj_func(x)forxinX])# 更新个体最优improved=fitness<pbest_f pbest_x[improved]=X[improved]pbest_f[improved]=fitness[improved]# 更新全局最优current_best_idx=np.argmin(pbest_f)ifpbest_f[current_best_idx]<gbest_f:gbest_f=pbest_f[current_best_idx]gbest_x=pbest_x[current_best_idx].copy()convergence.append(gbest_f)ifcallback:callback(t,gbest_x,gbest_f)returngbest_x,gbest_f,convergence

多种惯性权重策略对比

strategies=['linear','nonlinear','random','constant']colors=['blue','red','green','orange']forstrategy,colorinzip(strategies,colors):pso=AdvancedPSO(dim=30,pop=30,max_iter=300)_,_,conv=pso.optimize(sphere,strategy=strategy)plt.plot(conv,color=color,label=strategy,linewidth=2)plt.xlabel('Iteration')plt.ylabel('Fitness')plt.title('PSO with Different Inertia Weight Strategies')plt.legend()plt.grid(True,alpha=0.3)plt.savefig('pso_strategies.png',dpi=150)

四、拓扑结构变体

classTopologicalPSO:"""PSO拓扑结构变体"""def__init__(self,dim=30,pop=30,max_iter=500,lb=-100,ub=100,topology='gbest',k=5):# topology: 'gbest', 'lbest', 'von Neumann', 'random'self.topology=topology self.k=k# lbest邻居数量# ... 其他参数同AdvancedPSOdefget_neighbors(self,i):ifself.topology=='lbest':# 环形拓扑indices=[(i-j)%self.popforjinrange(self.k//2+1)]indices+=[(i+j)%self.popforjinrange(1,self.k//2+1)]returnnp.unique(indices)elifself.topology=='von Neumann':# 网格拓扑rows,cols=int(np.sqrt(self.pop)),int(np.sqrt(self.pop))r,c=i//cols,i%cols neighbors=[(r,(c-1)%cols),(r,(c+1)%cols),((r-1)%rows,c),((r+1)%rows,c)]return[idx*cols+c_forr_,c_inneighbors]returnnp.arange(self.pop)

五、实验结果

六、PSO参数调优指南

七、总结

PSO算法具有以下特点：

• ✅ 概念简单，易于理解
• ✅ 参数少，实现方便
• ✅ 收敛速度快
• ✅ 适合连续优化问题

局限性：

• ❌ 离散优化问题需要改进
• ❌ 易陷入局部最优
• ❌ 后期收敛精度不足

您的点赞是我创作的动力！