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 -*-4 z% z) p C; i' z2 \8 I
"""粒子群优化算法（PSO）完整演示，零依赖可直接运行"""6 N5 \2 Z& A7 Y: M- O1 W: a$ {- E
import random
5 ~- Y6 N4 g. h |) I3 D: S
import math; ?/ ^) \; G4 |+ |: W0 ]! E) q% Y
. E\" z/ Y' X/ X6 r- n6 U
def sphere(x):
M* h, D+ k9 A+ Z
"""Sphere 函数：f(0,0,...,0)=0，单峰"""
3 N8 K3 n! @; @\" I
return sum(xi ** 2 for xi in x)
( |* e, A6 I1 t5 P W9 C
! n1 C4 p, D* {7 N, x# u
def rastrigin(x):
) J' m9 n; C' H' G' g9 u7 c9 l v) g
"""Rastrigin 函数：大量局部最优点，全局最优仍在原点"""
( E! t/ @3 o R& W
return sum(xi**2 - 10*math.cos(2*math.pi*xi) + 10 for xi in x), J$ |) ~, k$ z1 j' V# A2 _
0 k- |( u' B( }) p# B7 {9 f
class Particle:3 L7 Y4 w( v1 N) x
"""一只『鸟』：有位置、速度，记得自己飞过的最好地方"""
0 w }9 ]5 V, Y: _, B$ i; z
def __init__(self, dim, bounds):
( s3 u: I- b3 N7 o7 Z& O. |- U
self.pos = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(dim)]
, }3 e$ M: K7 E$ g) R
self.vel = [random.uniform(-1, 1) for _ in range(dim)]+ v% W% W\" i' [# \' v; l
self.best_pos = list(self.pos) # 个体极值 pbest
: x' d. x- x' E$ o D& D/ R/ n1 W+ n
self.best_val = float("inf")
; c* [& g) }8 w7 f
! q& j5 i e7 x. R
def update_velocity(self, gbest, w, c1, c2):4 R' ]: |' m$ R7 C! Z# H
# 速度更新：v = w*v + c1*r1*(pbest-x) + c2*r2*(gbest-x)! b; d1 N4 U- j. a0 Z3 A% W7 S) E
for i in range(len(self.vel)):
/ y- A/ H( c2 G7 j' @5 ?7 o
r1, r2 = random.random(), random.random()6 W2 R9 k& Q% c# i
cognitive = c1 * r1 * (self.best_pos[i] - self.pos[i]) # 自己的经验2 T8 h( W3 h1 F. u& W( T# Y
social = c2 * r2 * (gbest[i] - self.pos[i]) # 群体的情报
/ E* y- e; B. [$ f5 }& U
self.vel[i] = w * self.vel[i] + cognitive + social. b: ^7 a) A0 z* N. s- K
/ N9 z5 Q3 W5 b# `\" v0 ~
def update_position(self, bounds):) |4 D; j& }* T) v5 J9 F+ P
# 位置更新：x = x + v，并夹回边界
+ S9 V, g5 N% U4 Y: x
for i in range(len(self.pos)):2 V1 |: E6 T4 g
self.pos[i] += self.vel[i]
. z0 u0 }+ \; Q9 E+ y- k
lo, hi = bounds[i]
8 c* a1 c+ g/ N3 z# C, H6 E
if self.pos[i] < lo: self.pos[i] = lo3 [& I: \/ p/ l6 C `: P6 Y1 a
elif self.pos[i] > hi: self.pos[i] = hi
6 v. q( [1 _\" ^9 P\" W. {
' q! n7 z\" o- L4 C
def pso(func, dim=2, bounds=None, n_particles=30, max_iter=100,
0 E* d* n: D1 `$ ?, ?
w=0.7, c1=1.5, c2=1.5, verbose_every=10):+ q& Z1 A( Z1 \# r5 O\" }& H% y
"""标准 PSO 主流程"""
3 L. u) _7 V. b( K7 s
if bounds is None:! q5 z {, U4 Z. W. P9 d
bounds = [(-5.12, 5.12)] * dim
, {7 t- u: w8 m/ L0 r
particles = [Particle(dim, bounds) for _ in range(n_particles)]
2 @+ I$ }+ y4 I
gbest, gbest_val = list(particles[0].pos), float("inf")- ?6 R+ S7 C7 o
history = []# `) m9 A8 B# @, \/ ^
]7 D( m6 F' M/ V: O1 K
for it in range(max_iter):8 s\" E' {. x) b, B& B5 M. \
# 第 1 步：评估每只鸟，更新 pbest 和 gbest: W; _ O; E, r* k
for p in particles:
8 `# q( s8 y3 u/ `8 k) }
val = func(p.pos)
if val < p.best_val:
3 h; `; n* @# |* S
p.best_val, p.best_pos = val, list(p.pos)
0 T. u; M0 ?. } S- `+ N6 X' U
if val < gbest_val:
; I5 B! R$ \2 d% R D4 P
gbest_val, gbest = val, list(p.pos)' S\" P' [& o/ C2 K) O
history.append(gbest_val)
7 _/ V1 o1 M% n7 ^, x) ^
y/ o |( ]; N8 k$ l) {
# 第 2 步：更新速度和位置 {3 L# c$ T! ?/ v R8 b
for p in particles:
1 z: I* k: R, j( k1 n
p.update_velocity(gbest, w, c1, c2)! I4 T$ v* j% Y2 U
p.update_position(bounds)
! s B& Z% W- J
& x9 \4 X! U3 F. r) Q- y0 P
if verbose_every and (it + 1) % verbose_every == 0:
& y# d; q, F) I& Y
print(f" 第 {it+1:3d} 代 | 全局最优值 = {gbest_val:.6f}") {/ v& ?: d1 c* g
return gbest, gbest_val, history
0 e- k& \. u3 o& S$ x0 ?4 N& |
$ _2 I9 O, p8 t+ c- w
if __name__ == "__main__":
1 r6 T& l. q5 y
# 实验 1：单峰函数，看收敛速度
2 [8 V. A# ~' q5 D, c/ o' M
print("[实验 1] Sphere 函数（理论最优值 = 0）")
4 }+ Y) P\" l! J% I: u8 {
best_pos, best_val, _ = pso(sphere, dim=2, bounds=[(-10, 10)]*2,1 Y5 j/ s& k( h' }9 j
n_particles=30, max_iter=100)* r% p) }! e& I\" G8 O2 B, M5 A
print(f" >>> 最优位置: ({best_pos[0]:.4f}, {best_pos[1]:.4f})")7 ~; E& m v' \7 G+ z
print(f" >>> 最优值: {best_val:.8f}"), ?2 e4 |( V0 x8 }; J( U3 O
8 x/ z5 f& b! M\" W) T9 T
# 实验 2：多峰函数，看跳出局部最优
, A9 _$ [6 Y7 t; K$ g l
print("[实验 2] Rastrigin 函数（局部最优遍地都是）")
' f4 S5 g. \; c! r
best_pos, best_val, _ = pso(rastrigin, dim=2,
: i6 o* F( w' e
n_particles=50, max_iter=200)& M* P( L1 ~4 S, B& l
print(f" >>> 最优值: {best_val:.6f}"): @0 p1 J; ^ ?+ z+ Q
1 f' n& \& U3 T: j, L' o
# 实验 3：惯性权重对比（10 维）4 _7 }; o* V# B% [5 ?
print("[实验 3] 惯性权重 w 的影响（10 维 Rastrigin）")' Z+ F, K$ K% D3 A0 |$ a
for w in (0.2, 0.7, 1.2):
# B) \& i, z5 M- H: y4 i3 m) W! T- v
_, val, hist = pso(rastrigin, dim=10, bounds=[(-5.12, 5.12)]*10,
& v+ v; z& Y7 x. j7 D
n_particles=50, max_iter=200, w=w, verbose_every=0)1 G& q, \. K; h2 g
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

4 e, K* }* ^1 C6 ]# @+ \) K2 E6 G" l7 B) H

zan