查看: 23|回复: 0

一群"鸟"帮你解数学题：聊聊粒子群算法

字体大小: 正常放大

1192 主题	4 听众	2946 积分

该用户从未签到

电梯直达

1^#

发表于 2026-8-23 17:38 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

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：

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

$$x_{k+1} = x_k + v_{k+1}$$

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）。

# -*- coding: utf-8 -*-7 y5 d! K4 {' c- \' g: a
"""粒子群优化算法（PSO）完整演示，零依赖可直接运行"""& h9 q( L N4 T# y b; H) ^* N
import random
* f! ]; v c, |- X
import math
7 z! }1 \9 y\" l* k- t3 M
9 ?. R, L2 e/ s9 l7 E
def sphere(x):
_! A- K6 i5 a4 o2 J0 \) M7 l
"""Sphere 函数：f(0,0,...,0)=0，单峰"""
6 B8 K. P4 X6 O( r2 p7 V
return sum(xi ** 2 for xi in x)
0 y% K9 j) g$ K6 x4 r
v& ?3 Y) P. d' K: k x/ c; ^
def rastrigin(x):# ?1 b- F) l! x- a# A: r3 c# H
"""Rastrigin 函数：大量局部最优点，全局最优仍在原点"""
( ?2 \! ]) a' `, w v6 k5 @
return sum(xi**2 - 10*math.cos(2*math.pi*xi) + 10 for xi in x)6 F7 {8 C, b3 w
. _; z# Z) Y8 s. D
class Particle:6 r8 X+ I+ `4 l2 H: E5 e
"""一只『鸟』：有位置、速度，记得自己飞过的最好地方"""2 h9 _. D( n Y) v
def __init__(self, dim, bounds):
( v; H9 h* Q\" g\" W( V* t\" P
self.pos = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(dim)]
4 o) |' Q/ z( a4 Y! k
self.vel = [random.uniform(-1, 1) for _ in range(dim)]
7 c4 F- ]+ J\" r: m\" d& i
self.best_pos = list(self.pos) # 个体极值 pbest
3 \, L: A5 z! V/ O3 r
self.best_val = float("inf")) K/ z' I% a' [
) i- ~! S1 o. `) ~- O8 c! K
def update_velocity(self, gbest, w, c1, c2):* T! G/ r9 _- X0 O; N( @4 i5 B7 `( ~+ F! ~
# 速度更新：v = w*v + c1*r1*(pbest-x) + c2*r2*(gbest-x)/ |2 z\" E3 C8 B1 e
for i in range(len(self.vel)):8 Z& o8 |+ O& N. o( |) f6 r2 o
r1, r2 = random.random(), random.random()
! s& N. |' H. x! g
cognitive = c1 * r1 * (self.best_pos[i] - self.pos[i]) # 自己的经验
0 A* @& j3 }% e- t$ R3 S9 h/ R1 G
social = c2 * r2 * (gbest[i] - self.pos[i]) # 群体的情报& ^# J. r8 R# c1 t
self.vel[i] = w * self.vel[i] + cognitive + social
' y( O( g2 v+ ~. {' }
2 _( q# h8 y2 B# l+ x' s\" _
def update_position(self, bounds):7 h2 g, }\" E9 i( Z
# 位置更新：x = x + v，并夹回边界5 u7 y5 L; ]$ [8 _5 _
for i in range(len(self.pos)):
+ p/ T6 ?7 e9 s; [% k
self.pos[i] += self.vel[i]\" r. i O/ |2 x9 l8 G
lo, hi = bounds[i]5 q) G\" W; |- H) }3 ]\" Y! `
if self.pos[i] < lo: self.pos[i] = lo/ }; d1 N( _/ L, R, r$ w T
elif self.pos[i] > hi: self.pos[i] = hi
- r8 J. L; U6 C\" n; f' `
6 ?/ H4 |/ Y1 L5 u
def pso(func, dim=2, bounds=None, n_particles=30, max_iter=100,
7 P' u, c# ^3 U
w=0.7, c1=1.5, c2=1.5, verbose_every=10):- L$ K- p4 y. b' `. A* R
"""标准 PSO 主流程"""
) k5 k6 o' j/ n: Y, O
if bounds is None:
$ T! ^/ { l& [3 }4 B* e
bounds = [(-5.12, 5.12)] * dim
/ u7 T3 ^# C: y& \7 e
particles = [Particle(dim, bounds) for _ in range(n_particles)]
2 P0 L, L. k8 q6 S' j) C$ G
gbest, gbest_val = list(particles[0].pos), float("inf")
4 g9 F9 {0 a# i4 I! P
history = []. l- }4 H2 f2 C: X0 I\" [
l/ U- w: y+ T* P
for it in range(max_iter):3 h2 o2 f- ]\" H9 C* T\" Y
# 第 1 步：评估每只鸟，更新 pbest 和 gbest5 Q8 P! @: t, a
for p in particles:
' _\" ]% A; B2 F- L) W& ~8 i& l) }
val = func(p.pos)
# q. y+ l7 C: ^- y* C4 T, ~7 |
if val < p.best_val:
- }\" B7 W1 k2 a
p.best_val, p.best_pos = val, list(p.pos)% F1 W' {3 G' W k, p! a
if val < gbest_val:7 ~/ {3 O' g+ T$ J% o
gbest_val, gbest = val, list(p.pos)& M/ } b\" f c( K9 |
history.append(gbest_val)
5 Y, y3 m: e. C5 K& c$ a, A
* X; ?7 U; `/ r' d! f% M
# 第 2 步：更新速度和位置/ j w1 [. _; V' Q# z\" U3 e2 s
for p in particles:
: ]% C4 j$ U* c! k) A( O$ H
p.update_velocity(gbest, w, c1, c2)# |& m' L4 i6 w
p.update_position(bounds)
, l% p% _9 M. m, b
8 `: [% W/ p6 V3 C1 S
if verbose_every and (it + 1) % verbose_every == 0:
3 U5 ~- v5 u- e& \9 D# O! M# i
print(f" 第 {it+1:3d} 代 | 全局最优值 = {gbest_val:.6f}")4 g& t. d* A* p, }2 Q
return gbest, gbest_val, history5 B* I9 e4 H0 U* B) u$ r' a
+ O4 s9 r6 @3 D2 E
if __name__ == "__main__":, x+ h! U3 p\" n. T2 M
# 实验 1：单峰函数，看收敛速度
0 k% F. U: n* c$ d$ y. P: ]: K
print("[实验 1] Sphere 函数（理论最优值 = 0）")4 j4 f& {- e+ E/ m+ {0 i
best_pos, best_val, _ = pso(sphere, dim=2, bounds=[(-10, 10)]*2,
. b6 r( j2 o; N( R6 ^* D- W
n_particles=30, max_iter=100)6 c1 T0 g+ t: Q/ b, u, g# y
print(f" >>> 最优位置: ({best_pos[0]:.4f}, {best_pos[1]:.4f})")
8 [. x# ?3 J6 B3 E
print(f" >>> 最优值: {best_val:.8f}")' T- q+ t \: o! p2 n
. c7 I7 ~! x3 z\" G4 Q: u
# 实验 2：多峰函数，看跳出局部最优: b- \\" j# y# V6 X, Z v
print("[实验 2] Rastrigin 函数（局部最优遍地都是）")! h: f1 d2 q! i
best_pos, best_val, _ = pso(rastrigin, dim=2,# j7 X0 o4 M8 l( R
n_particles=50, max_iter=200)
3 H% Q4 ]* c% G8 \2 y
print(f" >>> 最优值: {best_val:.6f}")3 A9 w9 K& g5 p' L) d
- D% H: c, ^: T. d8 B
# 实验 3：惯性权重对比（10 维）
/ s6 P* [& G2 E7 M- V
print("[实验 3] 惯性权重 w 的影响（10 维 Rastrigin）")\" e+ I; E% O* q' [- Y4 k
for w in (0.2, 0.7, 1.2):
G\" J$ _* g6 X* C
_, val, hist = pso(rastrigin, dim=10, bounds=[(-5.12, 5.12)]*10,\" {7 M0 r+ E* T. Y3 ~8 d
n_particles=50, max_iter=200, w=w, verbose_every=0)
k, c+ e( J; X& r
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

b6 G3 u7 `4 i
5 ~1 v$ U3 s5 ]* |% {

zan