2. PSO数学原理与算法流程

粒子群优化（PSO）的核心思想可以用一句话概括：每个候选解是一只“鸟”，它在解空间中飞行，速度由“自己飞过的最好位置”和“群体目前发现的最好位置”共同牵引。要把这句话变成可运行的算法，需要把“位置、速度、个体最优、全局最优”写成向量形式的递推公式，并明确每个符号的维度与含义。

速度—位置更新公式的推导

设搜索空间为 D 维，第 i 个粒子在第 t 次迭代时的位置为 x_i(t) = (x_i1, x_i2, …, x_iD)，速度为 v_i(t)。记该粒子历史最优位置为 p_i（个体最优 pbest），整个种群历史最优位置为 p_g（全局最优 gbest）。标准 PSO 的更新式为：

v_i(t+1) = w · v_i(t)
         + c1 · r1 · (p_i - x_i(t))
         + c2 · r2 · (p_g - x_i(t))
x_i(t+1) = x_i(t) + v_i(t+1)

三项各有明确物理含义。第一项 w·v_i(t) 是惯性项，保留上一时刻的运动趋势，使粒子具有“记忆”和探索能力；第二项 c1·r1·(p_i−x_i) 是认知项，把粒子拉向自己曾经找到的最好点，体现个体经验；第三项 c2·r2·(p_g−x_i) 是社会项，把粒子拉向群体最优，体现信息共享。r1、r2 是 [0,1] 上均匀分布的随机数，逐维独立采样，正是这种随机性让粒子不会沿直线机械收敛，而是在最优解附近保持扰动。

从差分角度看，若忽略随机项，更新式近似于 x_i(t+1) = x_i(t) + w·v_i(t) + c1(p_i−x_i) + c2(p_g−x_i)，即粒子位置被三个“吸引中心”加权牵引。当 w、c1、c2 取值使系统阻尼足够时，粒子会在 p_i 与 p_g 之间振荡收敛；阻尼不足则持续震荡甚至发散。这解释了为什么参数整定本质上是在调节“惯性—吸引”的平衡。

惯性权重、学习因子与种群拓扑

惯性权重 w 控制探索与开发的权衡。w 较大（如 0.9）时粒子保持高速，利于全局搜索；w 较小（如 0.4）时速度衰减快，利于局部精细搜索。常用策略是线性递减：w(t) = w_max − (w_max−w_min)·t/T_max，例如从 0.9 降到 0.4。也有采用非线性递减或自适应调整的做法。

学习因子 c1、c2 分别调节个体经验与社会经验的权重。经典取值 c1 = c2 = 2.0，此时 c1+c2 = 4，配合 w<1 可获得较好的收敛性。若 c1 偏大，粒子更“自信”，群体收敛慢但多样性好；若 c2 偏大，粒子过快涌向 gbest，易早熟陷入局部最优。工程上常令 c1 递减、c2 递增，使前期重探索、后期重收敛。

种群拓扑决定“社会项”中 p_g 的来源。全局版 PSO 中所有粒子共享同一个 gbest，信息传播快但易早熟；局部版 PSO 中每个粒子只与若干邻居比较，取邻域最优 p_l 替代 p_g，信息传播慢但多样性保持好。常见拓扑有环形（每个粒子连接左右各 k 个邻居）、星形（全连接，即全局版）、冯·诺依曼网格等。拓扑的数学表达可写为邻域集合 N_i，社会项变为 c2·r2·(p_l,i−x_i)，其中 p_l,i = argmin_j∈Ni f(p_j)。

标准 PSO 伪代码与实现要点

把上述公式组织成循环结构，就得到标准 PSO 的伪代码。下面给出可直接对照实现的版本，其中边界处理采用“越界截断到边界并置速度为零”的常见做法：

输入：种群规模 N，维度 D，最大迭代 T_max，w_max, w_min, c1, c2
输出：全局最优位置 gbest 及其适应度 f(gbest)

for i = 1 to N:
    x[i] ← 在 [X_min, X_max] 内均匀随机初始化
    v[i] ← 在 [−V_max, V_max] 内均匀随机初始化
    p[i] ← x[i]
    f_p[i] ← f(x[i])
gbest ← argmin_i f_p[i]

for t = 1 to T_max:
    w ← w_max − (w_max − w_min) · t / T_max
    for i = 1 to N:
        for d = 1 to D:
            r1, r2 ← U(0,1)
            v[i][d] ← w·v[i][d]
                     + c1·r1·(p[i][d] − x[i][d])
                     + c2·r2·(gbest[d] − x[i][d])
            v[i][d] ← clamp(v[i][d], −V_max, V_max)
            x[i][d] ← x[i][d] + v[i][d]
            if x[i][d] < X_min or x[i][d] > X_max:
                x[i][d] ← clamp(x[i][d], X_min, X_max)
                v[i][d] ← 0
        f_x ← f(x[i])
        if f_x < f_p[i]:
            p[i] ← x[i]; f_p[i] ← f_x
            if f_x < f(gbest):
                gbest ← x[i]
return gbest

实现时有几个容易出错的细节。第一，r1、r2 必须逐维独立采样，若整个粒子共用一个随机数，搜索方向会被限制在 p_i 与 p_g 的连线上，多样性骤降。第二，速度上限 V_max 常取搜索范围的 10%～20%，过大导致粒子飞出可行域，过小导致搜索停滞。第三，pbest 与 gbest 的更新时机应在位置更新并计算适应度之后，且 gbest 的比较对象是当前粒子的新 pbest，而非旧值。第四，惯性权重 w 的递减应在每轮迭代开始时统一计算，而不是每个粒子单独计算。

一个可手算的示例

为便于理解，取 D=1、N=2 的简化示例（示例参数为教学假设，非实测结果）。搜索范围 [−10,10]，f(x)=x²，w=0.8，c1=c2=2.0。初始 x₁=6、v₁=1，x₂=−4、v₂=−1，则 p₁=6、p₂=−4，gbest=−4（因 f(−4)=16 < f(6)=36）。

对粒子 1，设 r1=0.5、r2=0.5，则 v₁(1)=0.8×1 + 2×0.5×(6−6) + 2×0.5×(−4−6)=0.8+0−10=−9.2，x₁(1)=6−9.2=−3.2。对粒子 2，设 r1=0.5、r2=0.5，v₂(1)=0.8×(−1)+2×0.5×(−4+4)+2×0.5×(−4+4)=−0.8，x₂(1)=−4−0.8=−4.8。可见粒子 1 被 gbest 强烈牵引而大幅左移，粒子 2 因已在 pbest 与 gbest 处而仅受惯性影响。这一轮后 f(−3.2)=10.24、f(−4.8)=23.04，gbest 更新为 −3.2。手算一轮即可看出：社会项主导了远离最优的粒子，而惯性项决定了已接近最优的粒子是否继续漂移。