一群"鸟"帮你解数学题：聊聊粒子群算法

[复制链接]

字体大小: 正常放大

2744557306

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 -*-
- j$ e3 t* D( w3 n8 s
"""粒子群优化算法（PSO）完整演示，零依赖可直接运行"""
5 F: `! V6 H& y, t+ v3 f9 Q
import random4 e- Y* R7 I8 f/ L% o( b
import math+ s1 {1 a; E: U& I, Y& ~4 u
7 F0 `9 L. m) r0 t- k
def sphere(x):
% d) Q; G9 [ z- |9 T
"""Sphere 函数：f(0,0,...,0)=0，单峰"""
^1 s5 M6 ^' g+ l
return sum(xi ** 2 for xi in x)6 n/ s6 n R( F$ y5 K0 @
\" h1 L; y) s! A$ e: e\" s$ ?\" L
def rastrigin(x):; e; F r+ M1 R! M. L
"""Rastrigin 函数：大量局部最优点，全局最优仍在原点"""
9 m& {1 L& {9 }0 X+ e& [
return sum(xi**2 - 10*math.cos(2*math.pi*xi) + 10 for xi in x)) o0 S( D+ z: z
, C; g/ ^. C% Z
class Particle:
3 u/ O. P2 r3 |2 o1 Y0 |
"""一只『鸟』：有位置、速度，记得自己飞过的最好地方"""/ @- S& d* E# _7 T( ?9 Q
def __init__(self, dim, bounds):
+ S9 D& j& S, i) T
self.pos = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(dim)]
9 O9 x& \3 |% ]- S
self.vel = [random.uniform(-1, 1) for _ in range(dim)]
: s4 m% N ?' e
self.best_pos = list(self.pos) # 个体极值 pbest
' E\" P- v# X5 V @- i
self.best_val = float("inf")3 ~0 d* X+ R7 h/ O8 J
% Z( e% k9 a. k( U) H( }! a
def update_velocity(self, gbest, w, c1, c2):
* u8 R: ^0 g6 N
# 速度更新：v = w*v + c1*r1*(pbest-x) + c2*r2*(gbest-x)( J# @/ L& W0 x, n/ _# Q/ Y, k$ `
for i in range(len(self.vel)):# I2 R- k D6 b6 ]! C
r1, r2 = random.random(), random.random()
, P8 z, z6 t% c8 Q* K
cognitive = c1 * r1 * (self.best_pos[i] - self.pos[i]) # 自己的经验( `7 m6 R: e. \& B
social = c2 * r2 * (gbest[i] - self.pos[i]) # 群体的情报
$ y' t! u* m8 Z, w! A- g
self.vel[i] = w * self.vel[i] + cognitive + social
5 P& p' P& j6 p
/ V( C9 R$ ` E' j# s6 W
def update_position(self, bounds):* |+ c' U' h& X0 D9 o! l
# 位置更新：x = x + v，并夹回边界8 T O, L/ u( f( X
for i in range(len(self.pos)):
) {2 `# @2 z1 P( a6 |8 X; a/ d; x) E
self.pos[i] += self.vel[i]
* }2 \8 ?( Y3 k- h8 j4 W* ]
lo, hi = bounds[i]
! \+ H% {. i4 \. _- |
if self.pos[i] < lo: self.pos[i] = lo* q6 \4 `1 x/ @+ \# X% s4 K/ J% b+ |
elif self.pos[i] > hi: self.pos[i] = hi/ w* L5 ~2 S4 u( p% }! S
3 _. v+ e$ m$ b; ~$ |$ I1 C
def pso(func, dim=2, bounds=None, n_particles=30, max_iter=100,
\" C4 T) H9 m; e
w=0.7, c1=1.5, c2=1.5, verbose_every=10):
2 X\" C ~6 m d6 x7 c5 [. O
"""标准 PSO 主流程"""7 c4 ~+ F! F* |6 A2 L/ \- M( h$ W
if bounds is None:
3 O: t. y% }: [& [; t \, B5 z: D
bounds = [(-5.12, 5.12)] * dim2 c0 R% n; w8 H) k
particles = [Particle(dim, bounds) for _ in range(n_particles)]8 U6 \4 _3 m1 Q\" S0 I& u\" X7 v
gbest, gbest_val = list(particles[0].pos), float("inf")
* `3 D w- P3 o( ~
history = []
4 z4 n5 I% F) i
8 ~. ^, ^7 u. A$ y+ [4 C4 T
for it in range(max_iter):% p; ~5 H\" U3 v# ]! I- n
# 第 1 步：评估每只鸟，更新 pbest 和 gbest
\" X& l. R, i$ i
for p in particles:
, O0 S6 z1 E% ~: a; V
val = func(p.pos)
+ F& h9 k- E, U% k4 w( b
if val < p.best_val:
$ a9 D! z; Y7 y$ ?, J' G' b
p.best_val, p.best_pos = val, list(p.pos)) S' ^. Z4 Q' x( V$ R+ [; h3 W O: T
if val < gbest_val:
' |\" X\" [ z( q+ Y7 q/ V
gbest_val, gbest = val, list(p.pos)
# V( ?\" z8 p; w
history.append(gbest_val)
% x! y$ l6 c u4 o
% e3 x. t2 u/ g$ A
# 第 2 步：更新速度和位置; D5 t& |; y2 L. _6 y3 S0 n+ ^1 m0 o\" Y& [
for p in particles:
+ O+ Z! R. N- H
p.update_velocity(gbest, w, c1, c2)
; M1 d/ u- {* \# i1 b3 I/ [1 Q
p.update_position(bounds)- c6 K6 b; {# q u
* ?+ U7 `; }7 T E) a
if verbose_every and (it + 1) % verbose_every == 0:
]4 `/ e; t- M\" }& Q\" }
print(f" 第 {it+1:3d} 代 | 全局最优值 = {gbest_val:.6f}")' _) L0 p2 K& C\" @+ D) s$ }! O
return gbest, gbest_val, history9 A3 Y( z' f' d }3 \
& l; M% f; V& k
if __name__ == "__main__":
6 S# n! p; p% q& y\" q/ W( w
# 实验 1：单峰函数，看收敛速度% o' A8 K3 b3 w3 N\" p
print("[实验 1] Sphere 函数（理论最优值 = 0）")1 R3 G7 P( j* n7 v6 N* T9 O
best_pos, best_val, _ = pso(sphere, dim=2, bounds=[(-10, 10)]*2,
3 ^5 j7 _$ F1 Z* o8 r
n_particles=30, max_iter=100)0 }# n. d' R* d( P1 y4 D3 W! P
print(f" >>> 最优位置: ({best_pos[0]:.4f}, {best_pos[1]:.4f})")
/ r0 a% u$ H; f/ o
print(f" >>> 最优值: {best_val:.8f}"). l8 D2 |& s. |5 i% G\" M9 N' V' C e: \
: j+ l2 C' P! `* P+ h4 k9 F6 t' v4 o
# 实验 2：多峰函数，看跳出局部最优
3 ?. t; p* b# ^4 u6 i
print("[实验 2] Rastrigin 函数（局部最优遍地都是）")% I l: b& r$ w& n, C* d
best_pos, best_val, _ = pso(rastrigin, dim=2,$ s1 N' } \* B. T7 o
n_particles=50, max_iter=200)
\" _# T) K# ~ ]9 i' k
print(f" >>> 最优值: {best_val:.6f}")
! i) p$ j# H& G/ [0 C/ \5 y/ {
/ C$ h! } R* q- ~2 {$ g2 U
# 实验 3：惯性权重对比（10 维）
# `' L1 D0 [4 R
print("[实验 3] 惯性权重 w 的影响（10 维 Rastrigin）")% I3 t% A5 I7 Q) g& A
for w in (0.2, 0.7, 1.2):
# d8 t$ |) `+ Y* O
_, val, hist = pso(rastrigin, dim=10, bounds=[(-5.12, 5.12)]*10,: R# N8 t5 _: d0 r8 Z% B
n_particles=50, max_iter=200, w=w, verbose_every=0)) L, y: L$ h6 \6 W! N
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
, k$ {" Y- ^& c; m0 v! l, a

?- q) _0 m3 S2 Q' G k

zan