1. 课程导入与PSO全景

想象一片开阔的田野上有一群鸟，它们并不知道谷物的确切位置，只知道“离谷物越近，气味越浓”。每只鸟一边凭自己的记忆飞向自己曾闻到的最浓气味处，一边观察周围同伴的位置，并参考整个鸟群中目前气味最浓的那只鸟的方位。飞着飞着，整个鸟群会逐渐聚集到谷物附近。这个看似简单的行为，正是粒子群优化算法（Particle Swarm Optimization，PSO）最直观的原型。

PSO 由 Kennedy 与 Eberhart 于 1995 年提出，属于群体智能优化算法。它把优化问题的一个候选解看作搜索空间中的一个“粒子”，每个粒子拥有位置和速度两个状态量，并携带两个关键记忆：自己历史最优位置（个体最优，pbest）和整个群体迄今最优位置（全局最优，gbest）。粒子在每一次迭代中根据这两个记忆调整速度，从而在解空间中“飞行”，逐步逼近最优解。理解这一点，是理解后续所有调参行为的起点：PSO 的搜索能力，本质上由“个体经验”和“群体经验”如何加权、如何衰减、如何被约束所决定。

把鸟群觅食映射为优化问题求解，需要建立一一对应的关系。优化问题通常写成：在可行域内寻找决策变量向量 x，使目标函数 f(x) 最小（或最大）。在 PSO 中，粒子的位置 x 就是决策变量向量，目标函数值 f(x) 就是该位置的“适应度”，气味越浓即适应度越优。速度 v 决定粒子下一步移动的方向与步长。于是“觅食”变成了“在目标函数曲面上寻找最低点”，而“鸟群交流”变成了 pbest 与 gbest 的信息共享机制。这个映射关系决定了 PSO 的适用边界：它不要求目标函数可导、不要求连续，只需要能对任意候选解计算适应度，因此特别适合黑箱优化、非凸优化和混合整数问题。

标准 PSO 的迭代公式是理解全课程的核心。对第 i 个粒子的第 d 维，速度更新为：

v[i][d] = w * v[i][d]
        + c1 * r1 * (pbest[i][d] - x[i][d])
        + c2 * r2 * (gbest[d]   - x[i][d])
x[i][d] = x[i][d] + v[i][d]

其中 w 是惯性权重，控制粒子保持原有飞行趋势的程度；c1 是认知学习因子，衡量粒子对自身历史经验的信任；c2 是社会学习因子，衡量粒子对群体最优的信任；r1、r2 是 [0,1] 区间内的独立随机数，为搜索引入随机性。三项分别对应“惯性”“自我认知”“社会共享”。调参之所以重要，正是因为这三个系数与随机性共同决定了算法在“探索”（全局搜索）与“开发”（局部精细搜索）之间的平衡。w 偏大、c1 偏大时，粒子更愿意四处试探，探索能力强但收敛慢；w 偏小、c2 偏大时，粒子迅速向 gbest 靠拢，收敛快但容易早熟陷入局部最优。

为了建立整体学习地图，可以把本课程的内容组织成一条从“认识”到“会用”再到“调好”的主线。下面的全景图展示了 PSO 的核心信息流与课程知识结构之间的关系：左侧是算法内部的状态更新回路，右侧是课程将逐步展开的能力层次。

PSO 的应用领域非常广。连续函数优化是它最经典的舞台，例如工程设计中在多个约束下最小化重量或成本；神经网络与机器学习中，它可用于训练网络权重、选择超参数、优化特征子集；电力系统中可用于机组出力分配与无功优化；路径规划与机器人领域可用于在障碍环境中寻找最短可行路径；图像处理中可用于多阈值分割的参数搜索。这些场景的共同特征是：目标函数可能不可导、评估代价较高、存在多个局部极值，而 PSO 实现简单、参数不多、易于并行，因而成为工程上常用的“第一把锤子”。但也正因为简单，参数设置不当带来的早熟收敛、后期震荡、种群多样性丧失等问题非常普遍，这正是调参重要性的来源。

以一个具体示例说明调参的影响。假设我们要最小化二维 Rastrigin 函数，其全局最优在原点，但存在大量规则分布的局部极小值，是检验算法跳出局部最优能力的经典测试函数。取种群规模 N=30，维度 D=2，最大迭代 200 次，位置范围 [-5.12, 5.12]，速度上限设为位置范围的 20%。若采用 w=0.9、c1=c2=2.0 的常见初始配置，粒子前期探索充分，但后期 w 不衰减会导致在最优附近来回震荡，收敛曲线尾部抖动明显；若改为线性递减惯性权重，从 0.9 降到 0.4，同时保持 c1=c2=2.0，则前期保持探索、后期加强开发，通常能得到更平滑的收敛曲线和更稳定的最终解。需要说明的是，以上数值属于教学示例配置，实际结果会随随机种子和实现细节变化，应通过多次独立运行取统计量来判断，而不是看单次结果。

判断一次 PSO 运行是否“调好了”，不能只看最终适应度值。实践中应同时观察三类信息：一是收敛曲线，看是否在合理迭代内趋于平稳，尾部是否仍有大幅波动；二是多次独立运行（例如 30 次）的最终解分布，看均值、标准差和最差值，标准差大说明结果不稳定；三是种群多样性指标，例如粒子间平均距离，若在早期就迅速塌缩到很小，往往意味着早熟。对 Rastrigin 这类多峰函数，若 30 次运行中有相当比例停在非零的局部极小值上，就应优先考虑增大种群规模、提高 w 或引入变异、重启等改进策略，而不是盲目增加迭代次数。