如果你之前有去了解過粒子群算法，但苦于冗長的解釋與晦澀的代碼，你始終無法較為清晰的了解這個算法。這次我就帶着大家來過一遍這個看似複雜實則簡單的“鳥”算法。
首先假象你是一隻正在覓食的鳥，你不知道食物（即最優解）在哪，要在這茫茫無際的天空中尋找食物并不是一件容易的事情。不過好在天上有一群鳥陪你共同尋找這個食物的所在地。任何一隻距離食物最近的鳥都會告訴同類自己的位置，以此吸引同類過來。
以上就是粒子群算法的兩個核心：
目前時間下距離食物最近的位置會影響你的飛行方向（即
目前最優解）。
所有時間下距離食物最近的位置會影響你的飛行方向（即
曆史最優解）。
我們繼續往下說。倘若我們要把這個思想運用到計算機中，我們就會發現這和現實中真正的鳥類尋找食物的過程不一樣：
首先，随機産生的點（“鳥類”）并不知道自己與最優解（“食物”）的距離，隻能假設目前所有解中的最大值或最小值為最優解所在的位置（粒子群等啟發式算法多用于求解最大值或是最小值的優化問題），給其他鳥類提供參考。
然而每隻鳥類都比較“固執”，就算知道目前最優解的所在位置，也隻會對這個方向進行選擇性的聽取，至于聽多少全取決于那隻鳥的“心情”。這就是為什麼粒子群算法在速度更新的公式中，既引入了學習因子的概念，又對學習因子乘以一個rand随機數。
其次，當随機生成的解（即随機生成的“鳥”）成為目前時間段内的最優解的時候，此時沒有目前最優解、曆史最優解對其進行引導。是以我們引入慣性系數w來對這個解進行更新。
綜上所述，每隻“鳥”移動速度的更新受三個因素的影響：目前最優解、曆史最優解、慣性系數。即下面第一個公式。
然後依據每隻“鳥”（每個最初随機産生的解）目前的位置加上目前更新的速度，即為每隻“鳥”更新後的位置所在。
粒子群算法關于速度更新和位置更新的公式：
最後隻要設定最大疊代系數。設定每隻“鳥”的速度上限與速度下限以及每隻“鳥”的位置上限與位置下限，對鳥類更新的資料進行一定限制，然後不斷的重複下列步驟即可得到最優解：
① 得到目前最優解與曆史最優解
② 通過慣性系數、目前最優解、曆史最優解這三個因素對每個解的位置資訊進行更新
③ 回到第一步，直到抵達最大疊代系數
④ 最後得到該算法下的最優解
算例分析： 優點：可以處理傳統方法不能處理的案例，如不可導的節點傳遞函數或者沒有梯度資訊的存在。更多應用于神經網絡。
缺點：性能一般，網絡權重編碼和遺傳算法選擇比較麻煩。
若有疑問可掃描文末二維碼進群咨詢。
出品/TES工作室
https://qm.qq.com/cgi-bin/qm/qr?k=TRB-6OpqAI38NqiGYjBUtQHco2e-NeuH&authKey=q8YI9ZKndoap2rbdwBlit8vZA68+zbw7ueGZL2Ubkjq0IbuKh5ARI1q5lY338xlQ&noverify=0 (二維碼自動識别)