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

1198 主题	4 听众	2978 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 -*-' w( t3 @2 K\" i8 O
"""粒子群优化算法（PSO）完整演示，零依赖可直接运行"""
' o8 L; f* f4 Y M! e
import random
0 B5 O8 Y0 h4 [) P2 u. t
import math\" O9 L3 |# k/ ?\" U! Z
) J4 z, u5 J\" `
def sphere(x):* _* V# G6 q; P( R0 p
"""Sphere 函数：f(0,0,...,0)=0，单峰"""
2 B% V1 r3 L1 S1 I3 @
return sum(xi ** 2 for xi in x)9 j- w- T) m: e% z0 x4 i
& r3 X* x' C! R# u8 J+ g
def rastrigin(x):
+ x1 D# n$ P* G& m w# O, d
"""Rastrigin 函数：大量局部最优点，全局最优仍在原点"""+ S; B) E/ B# g' ^$ D7 Y6 h. o
return sum(xi**2 - 10*math.cos(2*math.pi*xi) + 10 for xi in x)8 _6 q- ^+ ~* `4 u# {
/ a- R& X+ G0 D% W( i\" k
class Particle:
1 J& u$ ?6 y8 V\" A
"""一只『鸟』：有位置、速度，记得自己飞过的最好地方"""
# v! `4 ]: x i# K4 T5 w E$ k
def __init__(self, dim, bounds):# v( f\" {) o/ V5 `. [
self.pos = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(dim)]
; H0 _1 |3 W& a8 |4 w
self.vel = [random.uniform(-1, 1) for _ in range(dim)]' H\" Q- }1 ~& C+ E7 [
self.best_pos = list(self.pos) # 个体极值 pbest
% x0 L7 j+ ~) \. q, O5 B Q
self.best_val = float("inf")
! K3 d+ ~5 {1 L, z
def update_velocity(self, gbest, w, c1, c2):
% \$ }0 J3 ^# I
# 速度更新：v = w*v + c1*r1*(pbest-x) + c2*r2*(gbest-x)
5 {: d9 R4 [5 f7 ]) r& d& o; g, l
for i in range(len(self.vel)):, g& I\" F, ^\" v- F6 r
r1, r2 = random.random(), random.random()
4 W( K$ P! l7 g- p) Z% c' t, M8 ]
cognitive = c1 * r1 * (self.best_pos[i] - self.pos[i]) # 自己的经验
3 S8 n9 s- M+ _4 d1 R7 t6 w0 g. ?
social = c2 * r2 * (gbest[i] - self.pos[i]) # 群体的情报1 ~, _/ o3 I1 u. j/ {- \4 l3 g
self.vel[i] = w * self.vel[i] + cognitive + social/ _! e5 `. c$ c' }$ o, j9 Q2 X
) k8 @4 W( ?/ T7 q* O9 i$ i, e2 W6 P
def update_position(self, bounds):# I& S( x\" \5 i E. v6 y) M+ Z
# 位置更新：x = x + v，并夹回边界
: f0 Z4 X\" T8 Q) {1 h
for i in range(len(self.pos)):8 W: \7 M4 h: N% k5 G7 Q5 a% K
self.pos[i] += self.vel[i]) X7 O Z1 h R% b# k
lo, hi = bounds[i]
- p5 W$ L: ?' O5 w; B {
if self.pos[i] < lo: self.pos[i] = lo
Q$ w; l/ A+ u+ h* ^7 \5 c! ?
elif self.pos[i] > hi: self.pos[i] = hi
0 e, O& x9 }/ [( [, P. F! ] i$ V, o
\" `0 s# X' H0 C\" B/ r; W
def pso(func, dim=2, bounds=None, n_particles=30, max_iter=100,
( f, k+ ^- e6 J6 U7 w
w=0.7, c1=1.5, c2=1.5, verbose_every=10):
2 w/ a1 }# @\" ~, ^: p& t
"""标准 PSO 主流程"""
3 i5 v, N# ]2 o3 B5 r9 _' H
if bounds is None:
/ r; Q6 x9 R* X0 O5 F
bounds = [(-5.12, 5.12)] * dim
! \1 w; @7 \# @( k3 R3 E* d( m3 p
particles = [Particle(dim, bounds) for _ in range(n_particles)]$ O: V# Q2 k, u8 I h* m1 w+ x
gbest, gbest_val = list(particles[0].pos), float("inf")
R+ }7 _) g4 i- X8 q' Y
history = []
$ J- O6 p* N. c
3 y* S/ }( G [
for it in range(max_iter):
0 y4 ]6 l( q/ I) J2 ^$ q
# 第 1 步：评估每只鸟，更新 pbest 和 gbest
1 G6 p: q: S8 s+ x z+ r
for p in particles:% N, k7 X3 |' q+ V
val = func(p.pos)
# e6 Q& ^ y U' B {
if val < p.best_val:) E0 ]4 n2 u( \( u5 t
p.best_val, p.best_pos = val, list(p.pos)
8 i1 x0 z* `% J- n- K( R
if val < gbest_val:/ U5 o/ h$ _% ]9 N0 V
gbest_val, gbest = val, list(p.pos)
4 l+ }, u8 e+ i; G
history.append(gbest_val), r# F& ^ A( U; ^ o- Z
9 g: {\" A6 R# J4 { I! K& o
# 第 2 步：更新速度和位置0 _/ P7 l+ P2 n6 G& e. {/ k
for p in particles:: g! Q: U' ^) n$ _9 c
p.update_velocity(gbest, w, c1, c2)\" d7 v+ {! h1 v# H
p.update_position(bounds)
6 X2 ?/ I- Y+ g
7 o/ `$ W7 P6 _: R, m* l$ U
if verbose_every and (it + 1) % verbose_every == 0:
$ T( \\" y! k o' E+ E! l
print(f" 第 {it+1:3d} 代 | 全局最优值 = {gbest_val:.6f}")
: I2 H' U' c# t9 ]
return gbest, gbest_val, history. `$ O+ M1 L2 g\" R# U
4 M; V4 N' g1 x6 m, ~
if __name__ == "__main__":
j9 B, c5 N$ ^1 }7 S
# 实验 1：单峰函数，看收敛速度% w( j) v) f7 Q
print("[实验 1] Sphere 函数（理论最优值 = 0）")4 \2 @5 i* P$ i1 `1 M; y$ U
best_pos, best_val, _ = pso(sphere, dim=2, bounds=[(-10, 10)]*2,+ \+ A: Q% |+ x
n_particles=30, max_iter=100)\" \' _7 p- `$ T, a# [2 l5 e, T
print(f" >>> 最优位置: ({best_pos[0]:.4f}, {best_pos[1]:.4f})")
. W; q8 G$ M4 e8 `1 c+ J$ m$ @
print(f" >>> 最优值: {best_val:.8f}")
9 x/ A7 J# m3 t% t2 b* a
# r8 G+ K/ f( _8 @! H\" v
# 实验 2：多峰函数，看跳出局部最优
4 A\" K2 \+ M0 H9 p/ |$ D6 b
print("[实验 2] Rastrigin 函数（局部最优遍地都是）")9 o+ `/ N4 j. A* h8 K3 b1 p
best_pos, best_val, _ = pso(rastrigin, dim=2,
& u4 k. [# l6 a( o6 J
n_particles=50, max_iter=200)
; p: a t* Y7 T
print(f" >>> 最优值: {best_val:.6f}")( h' P+ w: S* w: g
( [4 s$ n/ O! M& N\" ^& _
# 实验 3：惯性权重对比（10 维）
1 C1 c$ g$ y( B' m# l+ U( V* x( C
print("[实验 3] 惯性权重 w 的影响（10 维 Rastrigin）"); A/ Z# c9 u) P% s1 R z
for w in (0.2, 0.7, 1.2):0 [/ T0 n9 T1 F- O& V8 o8 U- @. ^
_, val, hist = pso(rastrigin, dim=10, bounds=[(-5.12, 5.12)]*10,7 X* w2 n8 M8 F
n_particles=50, max_iter=200, w=w, verbose_every=0); J+ W) W( r! E\" w
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
- d$ T8 O+ z w4 X+ w7 J
8 v* N2 I; z& v) ^: \) a* c+ ~

zan