最初目的只是研究鸟类行为。但现在多被当作一种最优化算法。 算法种类：PSO 、Adaptive PSO等 population 称为 swarm candidate solution 称为 particles，即每个粒子就代表一种解 particles的运动由各自已知的最好位置与全局最好位置来决定(全局最好位置：所有particle各自已知的最好位置中的最好位置) f为适应度函数/损失函数/目标函数，适应度即适应度函数的值 === 详细说明 === 模型m(x,β)，数据点(x,y)，未知参数β，目标函数f=[y-m(x,βi)]^2 β会有多种，βi表示第i种解 目的：求解β，β=argmin(f) 目标函数由你来自行设定，我只是举个例子 第i个粒子即βi，是一个向量 β_i = [β_i,1 ，β_i,2 , β_i,3 ,..., β_i,n] 第i个例子所经历过的最好位置 P_i = [P_i,1 , P_i,2 , P_i,3 ,..., P_i,n] 所有粒子所经历过的最好位置中的最好位置 Pg = [Pg_1 , Pg_2 , Pg_3 ,..., Pg_n] 更新第i个粒子的第j个元素及其速度 V_i,j+1 = W*V_i,j + C1*Rand()*(P_i,j - X_i,j) + C2*Rand()*(Pg_ j - X_i,j) X_i,j+1 = X_i,j + V_i,j Rand()为[0,1]的随机数 V_i,j由预先设定的Vmax_ j所限制 C1 C2为加速常数，也叫学习因子 W为惯性权重 算法： 初始化每个粒子的位置与速度 初始化每个粒子的最好位置，初始化全局最好位置 计算每个粒子的适应度 对于第i个粒子，如果在该位置的适应度好于P_i的适应度，则将该位置作为P_i 对于第i个粒子，如果在该位置的适应度好于Pg的适应度，则将该位置作为Pg 更新粒子位置与速度 满足条件，则停止迭代（比如可设置Pg的适应度达到m即停止迭代，或设定一个最大迭代数） 思考： W=0 为局部最优化算法，W != 0才能让粒子从局部最优冲出去，才可能达到全局最优 Vmax 最大速度、Gmax最大迭代数，这两个的设置都值得研究，太大太小都不行 C1 = 0 收敛比PSO快，但针对复杂问题容易陷入局部最优 C2 = 0 则得到解的几率很小 我认为： W*V_i,j 为粒子的惯性思维，即不思考，原来这么做现在怎么做 C1*Rand()*(P_i,j - X_i,j) + C2*Rand()*(Pg_ j - X_i,j)为粒子的思考，结合自己所经历的与别人经历的来思考 所以粒子最终的速度由两部分决定，且有最大速度限制 WIKI上用惯性+认知+社会解释三部分，当然你也可以改进这个算法嘛！不一定就这三部分。 参考： 《改进的粒子群优化算法（APSO和DPSO）研究》 损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。 08-03 34万+ 体中个体之间的协作和信息共享来寻找最优解． PSO的优势：在于简单容易实现并且没有许多参数的调节。目前已被广泛应用于函数优化、神经网络训练、模糊系统控制... 体在一定空间移动，个体有自己的移动意志，但不能影响影响其他个体移动，避免碰撞和争执。速度匹配：个体必须配合中心移动速度，不管在方向、距离和速率上都必须相互配合。 好好学数学。一.问题来源经朋友介绍，帮一个伙计做了下PSO的优化....赚点生活费而已。欢迎大家和我联系做算法类项目，QQ：1198552514二.背景介绍 2.1人工生命人工生命：研究具有某些生命基本特征的人工系统。包括两方面的内容： 1、研究如何利用计算技术研究生物现象； 2、研究如何利用生物技术研究计算问题。我们关注的是第二点。... 粒子群算法入门必备，超详细。在全局版的标准粒子群算法中，每个粒子的速度的更新是根据两个因素来变化的，这两个因素是：1. 粒子自己历史最优值pi。2. 粒子群体的全局最优值pg。如果改变粒子速度更新公式，让每个粒子的速度的更新根据以下两个因素更新，A. 粒子自己历史最优值pi。B. 粒子邻域内粒子的最优值pnk。其余保持跟全局版的标准粒子群算法一样，这个算法就变为局部版的粒子群算法。 关于损失函数的一些个人理解 1、损失函数的定义：量化不同的错误到底有多坏 2、SVM损失函数真实分类的得分要比其他分类的得分高出足够的安全边距，那么损失为0，也就是有足够的能力进行分类了，并且大于足够的阈值后，即能够正确分类了，算法就不管了不再继续了。一开始用一些很小的随机值来初始化并在第一次迭代时损失函数等于C-1 （1）hinge损失（合页损失）是SVM损失函数的一种，对微小的错...