PSO

粒子群算法（Particle Swarm Optimization，PSO）是一种全局优化算法，灵感来源于鸟类在天空中的群体飞行行为。在PSO中，每个个体被看作是一个可能的解决方案，而整个种群则表示了一组候选解决方案。

每个粒子在搜索空间中移动，其位置和速度由两个主要因素决定：当前粒子的个人最优位置（pbest）和整个群体中的全局最优位置（gbest）。粒子通过不断更新其速度和位置来寻找最优解。

算法的流程如下：

1. 初始化粒子群：为每个粒子分配一个初始位置和速度。

2. 计算每个粒子的适应度：根据问题的定义，计算每个粒子当前位置对应的适应度。

3. 更新每个粒子的pbest：如果当前粒子的位置比其之前的pbest更优，则更新pbest。

4. 更新全局最优解gbest：在所有粒子的pbest中寻找最优解，更新gbest。

5. 更新粒子的速度和位置：根据pbest和gbest的值以及惯性和认知/社会因素计算新的速度，进而更新位置。

6. 迭代终止条件：算法的迭代通常基于最大迭代次数Gk，即当达到预先设定的最大迭代次数时停止。此外，还可以设定微粒群搜索到的最优位置满足预定的最小适应阈值，一旦达到此阈值，算法也应停止。

粒子群算法的实现通常涉及到调整参数，如惯性权重、认知权重和社会权重，以适应不同的优化问题。通过适当调整这些参数，可以提高算法的性能和效率。

在实际应用中，粒子群算法被广泛应用于各种优化问题，如函数优化、神经网络训练、参数优化等。其简单易懂的原理和高效收敛的能力使得它成为解决复杂优化问题的有力工具。