一群"鸟"帮你解数学题：聊聊粒子群算法

2744557306

算法笔记 · 粒子群优化 · 附完整可运行代码

先讲一个真实的故事。

1995 年，两位研究者在模拟鸟群觅食：一群鸟在一片区域里随机飞，谁也不知道食物在哪。但每只鸟都记得自己飞过的最好位置，也能看到整个鸟群目前找到的最好位置。于是每只鸟的飞行策略变得很简单——一部分凭自己的经验继续飞，一部分朝群里公认的好方向靠拢。

结果让人惊讶：不需要任何"领导"，不需要知道食物在哪，鸟群竟能自发地聚拢到食物周围。

这两位研究者一位是电子工程师 James Kennedy，一位是社会心理学家 Russell Eberhart。他们把这个模拟简化成几个公式，就成了今天要讲的主角——粒子群优化算法（Particle Swarm Optimization，PSO）。顺带一提，这个算法诞生 25 年后，他们拿到了 IEEE 的诺贝尔级别的荣誉——它至今仍是工程优化里最常用的算法之一。

如果你正在准备数学建模竞赛，这篇文章能帮你在"优化类"赛题里多一件趁手的兵器。

一、把优化问题想成"找食物"

先忘掉算法，想一个具体场景：

你要找一个函数的最小值，比如 $$f(x, y) = x² + y²$$，最小值显然在原点。但现实问题里，函数可能长得像一片丘陵——到处是小山包（局部最优），真正的谷底（全局最优）藏在某个角落。梯度下降这类方法从一点出发，很容易卡在最近的小山包里下不来。

PSO 的思路完全不同：与其派一个人去找，不如派一群鸟去找。

[td]

概念	在算法里是什么
一只鸟 / 粒子（Particle）	一个候选解（一组变量值）
位置（Position）	解本身，比如 (x, y) = (3.2, -1.5)
速度（Velocity）	下一步往哪个方向飞、飞多远
食物的位置	函数的最小值点
离食物多近	适应度：把位置代入函数算出的值
自己的经验	个体极值 pbest：我飞过的最好位置
群体的情报	全局极值 gbest：全群找到的最好位置

二、灵魂公式：只有两行

PSO 全部精髓浓缩在两条更新规则里。每一代（每一轮迭代），每只鸟这样飞：

$$v_{k+1} = w \cdot v_k + c_1 r_1 \cdot (pbest - x_k) + c_2 r_2 \cdot (gbest - x_k)$$

$$x_{k+1} = x_k + v_{k+1}$$
5 E* h" p) v2 S1 C8 o

第一条是速度更新，即"下一刻往哪飞"。拆开看，一共三股力量在拉扯这只鸟：

[td]

部分	含义	生活翻译
w·vk	惯性：保留原来的飞行方向	"我正往这边飞呢，别让我急转弯"
c₁r₁·(pbest − x)	认知项：朝自己最好位置飞	"我以前在那儿吃过食，回去看看"
c₂r₂·(gbest − x)	社会项：朝全群最好位置飞	"老王说他找到吃的了，跟过去！"

第二条是位置更新，简单到不像话：新位置 = 旧位置 + 速度。就是"按刚才决定的方向飞过去"。

这里的 r₁、r₂ 是 0 到 1 之间的随机数——这点很关键。如果每次都精确地朝 pbest 和 gbest 飞，所有鸟很快会挤成一条线，搜索就死了。加上随机扰动，鸟群才能保持"散着搜索、又大致向好看的方向去"的状态。

一句话记住 PSO： 每只鸟被三股力拉着——惯性（接着飞）、自己的记忆（回自己找到过的好地方）、群体的情报（去大家公认的好地方）。飞到新位置后，更新记忆，再飞。如此反复，鸟群整体就向最优解聚拢。

三、三个参数怎么调[td]

参数	名字	常用值	调大调小会怎样
w	惯性权重	0.6 ~ 0.8	大→搜得广但收敛慢；小→收敛快但易陷局部最优
c₁	认知因子	1.5 ~ 2	大→各飞各的，多样性好
c₂	社会因子	1.5 ~ 2	大→一窝蜂跟风，收敛快但容易早熟

工程上还有个进阶技巧：惯性权重线性递减——从 0.9 慢慢降到 0.4。前期惯性大，鸟群撒开网全局搜索；后期惯性小，大家稳稳地精修局部。这被称为"先广搜、后精修"，是 PSO 最常用的改良。

四、上代码：70 行实现完整 PSO

下面这段代码零依赖，保存成 pso_demo.py 直接运行。我们拿两个经典函数开刀：Sphere（单峰，考收敛速度）和 Rastrigin（满地局部最优，考跳出陷阱的能力）。

1. # -*- coding: utf-8 -*-
     v2 P# v# M/ t! q
2. """粒子群优化算法（PSO）完整演示，零依赖可直接运行"""
   5 b) ~& Q\" S. N
3. import random/ j4 q3 k3 a- {
   
4. import math
   ) I, C7 {' p/ J; U: S& |6 X8 i1 M
5. 
   $ e5 a\" a2 ^- z7 x
6. def sphere(x):4 h6 M; W0 Q& W0 m1 E
   
7.     """Sphere 函数：f(0,0,...,0)=0，单峰"""
   * k* K$ J1 K- d, B
8.     return sum(xi ** 2 for xi in x)
   5 F, F- g\" k7 r
9. 
   9 T# ?  ]6 S; c6 W' x0 ?
10. def rastrigin(x):
      M& }/ w; m; L3 i' E4 g
11.     """Rastrigin 函数：大量局部最优点，全局最优仍在原点"""\" c5 W; e8 @0 s2 U; y
    
12.     return sum(xi**2 - 10*math.cos(2*math.pi*xi) + 10 for xi in x)& |' w# v# v, e# L. `9 T
    
13. 
    & A8 r& }- x1 w  ^1 T0 S
14. class Particle:+ V0 h' y* M( K- Y7 W
    
15.     """一只『鸟』：有位置、速度，记得自己飞过的最好地方"""
    6 Y8 s6 g+ @* E3 J1 I
16.     def __init__(self, dim, bounds):
    5 R$ [) X\" l3 V! Z5 J4 c# U
17.         self.pos = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(dim)]
    : D/ s# x) i. B4 {$ J
18.         self.vel = [random.uniform(-1, 1) for _ in range(dim)]
    : Z5 x& C$ a2 E2 S
19.         self.best_pos = list(self.pos)      # 个体极值 pbest' \1 y9 ?4 [3 n4 x& z
    
20.         self.best_val = float("inf")
    / ?: V+ s% A/ n' O* J) h
21. 
    0 X: v\" q5 t2 M1 y/ O1 z& L' h
22.     def update_velocity(self, gbest, w, c1, c2):
    % }5 J: g  E. |8 o- q4 F/ |
23.         # 速度更新：v = w*v + c1*r1*(pbest-x) + c2*r2*(gbest-x)7 y0 y\" b* p/ ?, U+ t# {
    
24.         for i in range(len(self.vel)):! L  d3 |& i9 v% ]0 _! W* @+ M( A
    
25.             r1, r2 = random.random(), random.random()
    4 w5 G2 ]9 E. z( C6 y
26.             cognitive = c1 * r1 * (self.best_pos[i] - self.pos[i])  # 自己的经验
    2 j3 v& W) }  q\" X# M' q
27.             social    = c2 * r2 * (gbest[i] - self.pos[i])          # 群体的情报
    % F; }' e$ i1 G9 J- r! J6 ^( @+ V, E6 j
28.             self.vel[i] = w * self.vel[i] + cognitive + social
    . r+ ~  |+ Z\" A+ n7 \\" ?2 S
29.   y\" q6 f+ C4 X* k/ n* w
    
30.     def update_position(self, bounds):
    . z$ V- }% b9 D, ?3 Y0 x9 @\" C
31.         # 位置更新：x = x + v，并夹回边界1 Z( P\" @% x3 @6 f4 u( s
    
32.         for i in range(len(self.pos)):
    ' K8 V3 ~/ j  e  p/ @2 @\" q
33.             self.pos[i] += self.vel[i]
    \" @9 F7 |0 o$ L2 w
34.             lo, hi = bounds[i]- c8 k. R& ?. X4 u
    
35.             if self.pos[i] < lo:   self.pos[i] = lo3 _9 _) I8 K4 W% A+ Q
    
36.             elif self.pos[i] > hi: self.pos[i] = hi
    % X  z\" I7 M- C3 H
37. 
    : ?- y* R1 b, Q1 T9 }% y
38. def pso(func, dim=2, bounds=None, n_particles=30, max_iter=100,2 w\" E$ p1 Y4 o6 o3 h5 z6 R- z
    
39.         w=0.7, c1=1.5, c2=1.5, verbose_every=10):
    : r6 B8 y1 N% h7 Y' F! }
40.     """标准 PSO 主流程"""/ R* K0 T' I% L7 G. b\" [0 Z
    
41.     if bounds is None:
    ' ?) V1 I3 J. w+ }0 w2 d5 Q- e
42.         bounds = [(-5.12, 5.12)] * dim7 P% k* u! X* W6 D  v. Y/ S1 W
    
43.     particles = [Particle(dim, bounds) for _ in range(n_particles)]
    * m4 o+ j. H9 b3 V  |
44.     gbest, gbest_val = list(particles[0].pos), float("inf")
    & W# n# q0 w8 y# P- O* c2 R3 @: w
45.     history = []8 L$ h% S( d: c  f7 i
    
46. 
    ( r8 S1 r2 A# ~# e/ i0 @
47.     for it in range(max_iter):
    % n% A/ g& M$ b7 z; ]+ P
48.         # 第 1 步：评估每只鸟，更新 pbest 和 gbest
    \" V) [7 Z4 W, L! i' Y6 M. X, k
49.         for p in particles:6 T. m9 P+ P; C0 ~$ t6 h
    
50.             val = func(p.pos)
    9 D3 F5 U' r5 `2 p9 o# P
51.             if val < p.best_val:3 ~8 T8 Z2 }7 b9 C: g0 X
    
52.                 p.best_val, p.best_pos = val, list(p.pos)/ V; I7 w# \: v; v3 ], {+ x
    
53.             if val < gbest_val:- @( }# m5 @' `& n/ x
    
54.                 gbest_val, gbest = val, list(p.pos)
    9 m' u: t4 r$ _5 Q
55.         history.append(gbest_val)+ z3 p2 U4 A# b
    
56. - `$ f) M! C: `3 k5 p/ v: ?
    
57.         # 第 2 步：更新速度和位置0 s1 ~4 o# k' \1 \7 a2 B
    
58.         for p in particles:3 \0 b& s7 D  E- U- ~! o$ d
    
59.             p.update_velocity(gbest, w, c1, c2)\" t  g& C. y* w' N
    
60.             p.update_position(bounds)
    ) B  O6 t/ F! C8 [) \  g& b
61. 
    + d* @5 R& V5 B5 [, i- P% b
62.         if verbose_every and (it + 1) % verbose_every == 0:- Y- j) |; w( G. C
    
63.             print(f"    第 {it+1:3d} 代 | 全局最优值 = {gbest_val:.6f}"); P2 h. U% U* m( c
    
64.     return gbest, gbest_val, history
    5 j. ?* r9 w7 s3 A
65. 
    $ b( _# @! F6 p; N7 r# f2 ^
66. if __name__ == "__main__":
    ( T. I/ z/ L$ G& o
67.     # 实验 1：单峰函数，看收敛速度, p. }8 g' H# ~3 i! I2 u
    
68.     print("[实验 1] Sphere 函数（理论最优值 = 0）")* @% {+ c\" o% }/ d: P6 Q0 p
    
69.     best_pos, best_val, _ = pso(sphere, dim=2, bounds=[(-10, 10)]*2,
      a/ o# Q4 s2 m0 T3 r
70.                                 n_particles=30, max_iter=100)
    ) ?, u, d7 `( o
71.     print(f"  >>> 最优位置: ({best_pos[0]:.4f}, {best_pos[1]:.4f})")
    # c0 @3 c! ?8 G8 `+ Q+ c4 l! o' Z
72.     print(f"  >>> 最优值: {best_val:.8f}")
    - [1 R# t: O9 K. o' i$ t
73. 0 q) g2 o! Y# j: |
    
74.     # 实验 2：多峰函数，看跳出局部最优
    8 M' j' @# t( ]8 Y$ a
75.     print("[实验 2] Rastrigin 函数（局部最优遍地都是）")
    3 }0 B8 j1 Z- R1 t
76.     best_pos, best_val, _ = pso(rastrigin, dim=2,
    ' B+ }: p4 k9 d2 n# ^! @; ]
77.                                 n_particles=50, max_iter=200)3 @5 L/ R8 x! R9 d  J6 }; k
    
78.     print(f"  >>> 最优值: {best_val:.6f}")) \\" J( i! P7 q$ N
    
79. 2 Y! @2 c5 Y' j) ~\" ~6 \
    
80.     # 实验 3：惯性权重对比（10 维）: \7 K, K% s8 \7 d* Z$ n; {- _
    
81.     print("[实验 3] 惯性权重 w 的影响（10 维 Rastrigin）")
    % E, p, _/ a. ]; `' Y( N8 Y
82.     for w in (0.2, 0.7, 1.2):
    ' V1 _\" p. G\" A; s) h
83.         _, val, hist = pso(rastrigin, dim=10, bounds=[(-5.12, 5.12)]*10,
    , m) ?& b/ }3 z9 ^3 y
84.                            n_particles=50, max_iter=200, w=w, verbose_every=0)) d' h/ o$ _' u7 G
    
85.         print(f"  w = {w:<4} | 最终最优值 = {val:10.5f}")

复制代码

三个实验分别说明：

实验 1：单峰函数太简单，50 只鸟迭代 50 代就精确命中原点，误差小于百万分之一。

实验 2：Rastrigin 函数像个布满小坑的月球表面，梯度下降几乎必卡坑里，PSO 靠"一群鸟分散搜索"硬是跳了出来。

实验 3最有意思——升到 10 维后参数的差别立刻显现：w=1.2 时惯性太大，鸟群一直"飘着"落不下来（101.6，基本没搜到）；w=0.2 时收敛太快，早熟地卡在局部最优（24.9）；w=0.7 恰到好处（7.0）。这就是参数敏感性的现场教学。

五、什么时候用 PSO，什么时候别用适合的场景[td]

场景	举例
函数不可导 / 不光滑	目标函数是查表、仿真得出的，没有解析式
多峰、怕陷入局部最优	神经网络调参、TSP 路径优化、portfolio 投资组合
混合整数 / 离散问题	稍加改造即可处理 0-1 变量（粒子位置取整）
需要"能跑就行"的快速方案	数模竞赛限时三天，PSO 半小时就能调通

要小心的地方

1. 不是全局最优保证。 PSO 是启发式算法，理论上可能错过全局最优。论文里别写"证明了最优解"，要写"搜索到的近似最优解"。

2. 高维会退化。 维度上百时收敛变慢，可考虑增加粒子数或换差分进化（DE）。

3. 结果有随机性。 每次运行结果略有不同。写论文时要多次运行取平均/最优，并报告标准差——评委很看重这一点。

4. 约束处理要自己写。 常见做法是罚函数：越界就往目标函数上加一个很大的惩罚。

和其他算法的关系[td]

算法	思想	和 PSO 的区别
梯度下降	沿坡往下走	单点出发、需可导；PSO 群体出发、不需要导数
遗传算法 GA	选择、交叉、变异	有"淘汰"机制；PSO 不淘汰，所有粒子活到最后、共享信息
模拟退火 SA	以一定概率接受坏解	单点搜索；PSO 是群体协作
差分进化 DE	向量差扰动	与 PSO 各有胜负，高维时 DE 常更稳

六、写给数模竞赛的你

回到竞赛场景。PSO 在数模里的出场率非常高，典型的用法：

题型一：优化决策。"如何分配 X 使总成本最小/总收益最大"，目标函数复杂、变量多、不可导——PSO 直接上。

题型二：模型调参。 先用回归/机器学习建了模型，再有一堆超参数要调。可以用 PSO 包在外面做参数寻优，论文里就是个漂亮的"双层优化"结构。

题型三：拟合非线性模型。 最小二乘拟合非线性曲线时，初值选不好就拟合歪。用 PSO 先粗搜一轮找初值，再交给 LM 算法精修——这是很扎实的组合拳写法。

论文里怎么写才加分： 不要只丢一个结果。写清楚三件事——① 粒子数、迭代数、参数 w/c₁/c₂ 怎么定的（最好说明试过几组）；② 收敛曲线（画"迭代代数 vs 最优值"的图，评委一眼看到收敛行为）；③ 多次运行的结果稳定性（跑 10 次报告均值和标准差）。做到这三点，PSO 就从"套模型"升级成了"用模型"。

写在最后

PSO 之所以流传三十年，恰恰因为它简单得"不像话"——两条公式，没有 leaders，没有淘汰，只有一群朴素的个体，各自带着一点点记忆和一点点从众，互相分享情报，就把一片茫茫的搜索空间梳了个遍。

有人说这是对"群体智慧"最好的计算演绎：没有一只鸟知道答案，但鸟群知道。

下次遇到解不出的优化题，不妨也撒一把粒子出去——记得先广搜，后精修。

---

如果这篇文章帮到了你，点个「在看」让更多备赛的朋友看到

6 C: A$ |8 t* i, L3 s; q$ |
7 N/ J+ u; h- N7 }" b