第6章 粒子群算法基本理论
第6章粒子群优化算法
第6章粒子群优化算法PSO算法的基本原理是通过模拟粒子在空间中的移动，从而找到最优解。
每个粒子代表一个可能的解，并根据自身的经验和群体的经验进行。
粒子的速度和位置的更新使用以下公式：v(t+1) = w * v(t) + c1 * rand( * (pbest - x(t)) + c2 *rand( * (gbest - x(t))x(t+1)=x(t)+v(t+1)其中，v(t)代表粒子的当前速度，x(t)代表粒子的当前位置，w是惯性权重，c1和c2是学习因子，rand(是一个0到1之间的随机数，pbest 是粒子自身的最佳位置，gbest是整个群体的最佳位置。
PSO算法的过程如下：1.初始化粒子的位置和速度。
2.计算每个粒子的适应度值。
3. 更新每个粒子的pbest和gbest。
4.根据公式更新每个粒子的速度和位置。
5.重复步骤2到4，直到达到终止条件。
PSO算法有几个重要的参数需要设置：-群体大小：确定PSO算法中粒子的数量。
较大的群体大小可以增加整个空间的探索能力，但也增加了计算复杂度。
-惯性权重：控制粒子速度变化的因素。
较大的惯性权重可以增加粒子的飞行距离，但可能导致过程陷入局部最优解。
-学习因子：用于调节个体经验和群体经验的权重。
c1用于调节个体经验的权重，c2用于调节群体经验的权重。
较大的学习因子可以增加粒子的探索能力，但也可能增加时间。
PSO算法的优点是简单、易实现，收敛速度较快，对于多维、非线性、离散等问题具有良好的适应性。
然而，PSO算法也存在一些缺点，如易陷入局部最优解、对参数的敏感性等。
总之，粒子群优化算法是一种基于群体智能的优化算法，在求解复杂问题方面具有出色的性能。
它的基本原理是通过模拟粒子的移动来最优解，利用个体经验和群体经验进行自适应。
PSO算法在多个领域都有成功的应用，可以帮助解决实际问题。
粒子群算法基本原理
4.1粒子群算法基本原理粒子群优化算法昭最原始的工作可以追溯到1987年Reynolds对鸟群社会系统Boids （Reyn olds对其仿真鸟群系统的命名）的仿真研究。
通常，群体的行为可以由几条简单的规则进行建模，虽然每个个体具有简单的行为规则，但是却群体的行为却是非常的复杂，所以他们在鸟类仿真中，即Boids系统中采取了下面的三条简单的规则：（1 ）飞离最近的个体（鸟），避免与其发生碰撞冲突；（2）尽量使自己与周围的鸟保持速度一致；（3）尽量试图向自己认为的群体中心靠近。
虽然只有三条规则，但Boids系统已经表现出非常逼真的群体聚集行为。
但Reynolds仅仅实现了该仿真，并无实用价值。
1995 年Kennedy[46-48]和Eberhart在Reynolds等人的研究基础上创造性地提出了粒子群优化算法，应用于连续空间的优化计算中。
Kennedy和Eberhart在boids中加入了一个特定点，定义为食物，每只鸟根据周围鸟的觅食行为来搜寻食物。
Kennedy和Eberhart的初衷是希望模拟研究鸟群觅食行为，但试验结果却显示这个仿真模型蕴含着很强的优化能力，尤其是在多维空间中的寻优。
最初仿真的时候，每只鸟在计算机屏幕上显示为一个点，而“点"在数学领域具有多种意义，于是作者用"粒子（particle ）"来称呼每个个体，这样就产生了基本[49]的粒子群优化算法。
假设在一个D维搜索空间中，有m个粒子组成一粒子群，其中第i个粒子的空间位置为X （ x , x ,x，…,x ） i 1,2,..., m，它是优化问题的一个潜在解，i i1 i 2 i 3 iD将它带入优化目标函数可以计算出其相应的适应值，根据适应值可衡量X的优i劣；第i个粒子所经历的最好位置称为其个体历史最好位置，记为P （ p , p , p , ... p ） i 1, 2 ,，.相应的适应值为个体最好适应值Fi ;同i 1i2 3 i D时，每个粒子还具有各自的飞行速度V （v ,v ,v ,..., v ） i 1,2,..., m。
粒子群优化算法的基本原理
vij (k 1) (k)vij (k) 1rand(0,a1)
pij (k) xij (k)
2rand(0, a2)
p
g j
(k
)
xij
(k
)
——（7.1a）
xij (k 1) xij (k) vij (k 1) ——（7.1b）
i 1, 2, , m; j 1, 2, , n
pij (k) xij (k)
2rand(0, a2)
p
g j
(k
)
xij
(k
)
——（7.1a）
式(7.1a)右边的第1部分是粒子在前一时刻的速度；
第2部分为个体“认知”分量，表示粒子本身的思 考，将现有的位置和曾经经历过的最优位置相比。
第3部分是群体“社会(social)”分量，表示粒子 间的信息共享与相互合作。
1 ，2分别控制个体认知分量和群体社会分量相对
贡献的学习率。
随机系数增4 加搜索方向的随机性和算法多样性。
基于6学.6习.1率 粒1，子 2 ，群优化算法的基本原理
Kennedy给出以下4种类型的PSO模型：
▪若 1 > 0，2 > 0，则称该算法为PSO全模型。
▪若 1 > 0，2 = 0，则称该算法为PSO认知模型。
▪ vi (k) v1i v2i
：表vni示T该粒子的搜索方向。
2
的位置。
6.6.1 粒子群优化算法的基本原理
pi (k) p1i p2i
pni T
每个粒子经历过的最优位置（pbest）记为
pg (k) p1g p，2g 群体经历png过T的最优
位置(gbest)记为
，则基本的PSO算法为：
原始粒子群算法的基本原理
原始粒子群算法的基本原理摘要：随着决策环境的复杂化，群体决策变得越来越重要，在此基础上研究粒子群优化算法，详细介绍其基本原理并进行分析显得十分重要。
关键词：粒子群优化算法种群大小最大速度1.1优化算法的分类随着现代科学技术的飞速发展，目前解决优化问题的方法主要分为两大类：一是模拟自然进化过程而发展起来的进化算法，目前研究的进化算法主要有三种典型的类别：遗传算法，进化规划和进化策略，这三种算法是彼此独立发展起来的；二是基于群智能的智能优化算法，目前主要有粒子群算法和蚁群算法两大类。
1.2粒子群算法的基本模型粒子群优化算法是兼有进化计算和群智能特点的一种优化算法，起初只是设想模拟鸟类捕食的过程，但后来发现粒子群算法是一种很好的优化工具。
与其他的进化算法相类似，PSO进化算法也是通过个体间的协作与竞争来实现最优解的搜索。
PSO算法为每个粒子制定了类似于鸟类运动的简单的行为规则，从而使粒子群的运动表现出与鸟类觅食相类似的特性，进而用于求解复杂的优化问题。
PSO算法中的每一个粒子，即解空间中的一个解，它根据自己的飞行经验和同伴的飞行经验来调整自己的飞行，所有的粒子都有一个被优化的函数决定的适应值，适应值用来评价粒子当前位置的好坏；每个粒子还有一个速度决定他们的飞行方向和距离，然后粒子们就追寻当前的最优粒子在解空间中进行搜寻。
每个粒子在飞行过程中所经历过的最好位置，就是粒子本身找到的最优解；整个种群所经历过的最优位置，就是整个种群目前为止找到的最优解。
前者叫做个体极值，后者叫做全局极值。
每个粒子都通过上述两个极值不断的更新自己的位置和速度，从而产生新一代群体。
从以上分析可以看出在用粒子群算法解决问题的时候，我们首先要弄清楚什么是“鸟”，有了对象，然后才能确定该对象所谓的“位置”和“速度”是代表什么意思，粒子群算法的核心就是适应度函数的确定，不同的问题有不同的适应度函数，我们通过适应度函数来评价粒子当前的位置是好是坏，适应度函数体现了当前位置与最优位置的关系，即鸟类捕食模型中“鸟”和“食物”之间的距离所代表的含义，我们通过它来确定当前位置与最优位置之间的差距，然后通过分析适应度函数的指标，确定与最优解的接近程度。
第6章--粒子群算法基本理论培训讲学
6.1 粒子群算法的概述
发展阶段 1995年，美国社会心理学家James Kennedy博士和电气 工程师Russell Eberhart博士根据对鸟群捕食行为的研究， 提出了粒子群算法。分别在日本和澳大利亚召开的两个国际 会议上发表了两篇文章，标志着粒子群算法的诞生。
[1] Kennedy J，Eberhart R，Particle swarm optimization， Proceeding of the IEEE International Conference on Neural Networks，1995，1942~1948
6.1 粒子群算法的概述
2001年，由J.Kennedy、 R.C.Eberhart、Yuhui Shi合著 的第一本关于PSO的专著《Swarm Intelligence》在美国旧 金山（San Francisco）Morgan Kaufmann Publishers出版。
2003年，第一届群智能研讨会IEEE Swarm Intelligence Symposium在美国的Indianapolis（印第安纳波利斯）召开， 此后每年召开一次。
Craig Reynolds 生于1953年3月15日
6.1 粒子群算法的概述
避免碰撞：飞离最近的个体，以避免碰撞；
速度一致：和邻近的个体的平均速度保持一致；
向中心聚集：飞向群体的中心，向邻近个体的平均位 置移动。
1990年，生物学家Frank Heppner建立了鸟类模型。一 群小鸟为找到合适的栖息地在空中飞行 ，当群体中的一只发现较为合适的栖 息地时，它会毫不犹豫地飞向这个栖 息地，同时也将信息传给周围的小鸟 ，使周围的小鸟快速来到这里，最终 把整个群体吸引到合适的栖息地。
粒子群算法(基础精讲)课件
神经网络训练
神经网络训练是指通过训练神经网络来使其能够学习和模拟特定的输入输出关系 。粒子群算法可以应用于神经网络的训练过程中，通过优化神经网络的参数来提 高其性能。
例如，在机器视觉、语音识别、自然语言处理等领域中，神经网络被广泛应用于 各种任务。粒子群算法可以用于优化神经网络的结构和参数，从而提高其分类、 预测等任务的准确性。
优势
在许多优化问题中，粒子群算法表现出了良好的全局搜索能 力和鲁棒性，尤其在处理非线性、多峰值等复杂问题时具有 显著优势。
粒子群算法的核心要素
02
粒子个体
01
粒子
在粒子群算法中，每个解被称为一个粒子，代表问题的 一个潜在解。
02
粒子状态
每个粒子的位置和速度决定了其状态，其中位置表示解 的优劣，速度表示粒子改变方向的快慢。
社会认知策略的引入
总结词
引入社会认知策略可以增强粒子的社会性，提高算法的群体协作能力。
详细描述
社会认知策略是一种模拟群体行为的方法，通过引入社会认知策略，可以增强粒子的社会性，提高算 法的群体协作能力。在粒子群算法中引入社会认知策略，可以使粒子更加关注群体最优解，促进粒子 之间的信息交流和协作，从而提高算法的全局搜索能力和鲁棒性。
03 粒子群算法的实现步骤
初始化粒子群
随机初始化粒子群的 位置和速度。
初始化粒子的个体最 佳位置为随机位置， 全局最佳位置为随机 位置。
设置粒子的个体最佳 位置和全局最佳位置 。
更新粒子速度和位置
根据粒子个体和全局最佳位置计 算粒子的速度和位置更新公式。
更新粒子的速度和位置，使其向 全局最佳位置靠近。
每个粒子都有一个记录其历史最 佳位置的变量，用于指导粒子向
粒子群优化算法基本原理
粒子群优化算法基本原理粒子群优化算法（Particle Swarm Optimization，简称PSO）是一种基于仿生学思想的优化算法，最早由美国加州大学洛杉矶分校（University of California, Los Angeles）的Eberhart和Kennedy于1995年提出。
该算法模拟了群体中个体之间的协作行为，通过不断的信息交流与迭代搜索，寻找最优解。
粒子群优化算法的基本思想是通过模拟鸟群或鱼群等生物群体在搜索空间中的行为，通过个体间的合作与信息共享来寻找最优解。
算法的核心是通过不断更新每个粒子的速度和位置，使其朝着全局最优解的方向进行搜索。
在粒子群优化算法中，每个粒子代表一个解决方案，并通过在搜索空间中移动来寻找最优解。
每个粒子都有一个位置向量和一个速度向量，位置向量表示当前粒子所在的位置，速度向量表示粒子在搜索空间中的移动方向和速度。
每个粒子还有两个重要的参数：个体最佳位置（Pbest）和全局最佳位置（Gbest）。
个体最佳位置表示粒子自身经历的最优位置，全局最佳位置表示整个粒子群中最优的位置。
算法的具体过程如下：1. 初始化粒子群的位置和速度，并为每个粒子设置初始的个体最佳位置。
2. 根据当前位置和速度更新粒子的位置和速度，并计算粒子的适应度值。
3. 更新粒子的个体最佳位置和全局最佳位置。
如果当前适应度值优于个体最佳适应度值，则更新个体最佳位置；如果当前适应度值优于全局最佳适应度值，则更新全局最佳位置。
4. 判断终止条件，如果满足停止条件，则输出全局最佳位置作为最优解；否则返回步骤2进行下一轮迭代。
5. 结束。
粒子群优化算法的优点在于简单易实现，不需要求导等额外计算，且具有全局搜索能力。
由于模拟了群体协作的行为，粒子群优化算法可以克服遗传算法等局部搜索算法容易陷入局部最优解的问题。
此外，算法的收敛速度较快，迭代次数相对较少。
然而，粒子群优化算法也存在一些缺点。
首先，算法对于问题的解空间分布较为敏感，如果解空间分布较为复杂或存在多个局部最优解，算法可能无法找到全局最优解。
粒子群算法基本原理
粒子群算法基本原理粒子群算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化算法，模拟了鸟群或鱼群等生物群体在自然界中求解问题的行为。
粒子群算法是一种无约束优化算法，可以用于求解各种优化问题。
粒子群算法的基本原理是通过模拟粒子在解空间中的过程来寻找最优解。
每个粒子表示了一个潜在的解，其位置和速度表示了解的状态和速度。
整个粒子群可以看作是一个多维解空间中的群体，每个粒子都具有一个解向量和速度向量，通过不断调整速度和位置来寻找最优解。
1.初始化粒子群：根据问题的维度和约束条件，随机初始化粒子的位置和速度。
其中位置表示解向量，速度表示方向和速度。
2.计算粒子适应度：根据问题的定义，计算每个粒子的适应度。
适应度函数根据问题的不同而变化，可以是目标函数的取值或其他综合评价指标。
3.更新粒子速度和位置：通过利用粒子当前的位置、速度和历史最优解来更新粒子的速度和位置。
速度的更新过程包括两部分，第一部分是加速度项，其大小与粒子所处位置与个体最优解、群体最优解的距离有关；第二部分是惯性项，保持原有的速度方向并控制的范围。
位置的更新通过当前位置和速度得到新的位置。
4.更新个体最优解和群体最优解：将每个粒子的适应度与其历史最优解进行比较并更新。
个体最优解是粒子自身到的最优解，群体最优解是所有粒子中的最优解。
5.判断停止条件：根据预定的停止条件判断是否终止算法。
停止条件可以是达到最大迭代次数、适应度值达到一定阈值或范围满足一定条件等。
6.返回最优解：将群体最优解或个体最优解作为最终结果返回。
粒子群算法通过不断地更新粒子的速度和位置，通过粒子之间的信息交流和协作来找到最优解。
在算法的早期阶段，粒子的范围较大，有较高的探索性；随着的进行，粒子逐渐聚集在最优解周围，并逐渐减小范围，增强了局部的能力。
这种全局和局部的结合使得粒子群算法能够更好地求解多峰优化问题。
粒子群算法的优点是简单易实现、全局能力强，对于非线性、非凸性、多峰性问题有很好的适应性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
6.1 粒子群算法的概述 6.1.1 粒子群算法的概念 6.1.2 粒子群算法的发展 6.1.3 粒子群算法的特点 6.1.4 粒子群算法的分类 6.2 粒子群算法的基本原理 6.2.1 生物学机理 6.2.2 传统PSO算法原理 6.2.3 标准PSO算法原理 6.2.4 PSO算法流程 6.2.5 全局和局部最优PSO算法 6.2.6 PSO算法参数分析 6.3 粒子群算法与其他算法的比较 6.3.1 与遗传算法的比较 6.3.2 与蚁群算法的比较 6.4 粒子群算法的应用 6.5 粒子群算法的研究方向
2004年，IEEE Transactions on Evolutionary Computation出版了PSO算法专刊。 PSO算法作为一种新兴智能仿生算法，目前还没有完备 的数学理论基础，但作为新兴优化算法已在诸多领域得到广 泛应用。
6.1 粒子群算法的概述
6.1.3 粒子群算法的特点
粒子群算法的优点
c 2 rand gbestin t x in t
惯性权重因子的值较大，全局寻优能力强，但局部寻优 能力弱；否则则反之。一般认为，惯性权重因子用于平衡全 局和局部搜索能力，较大的倾向于全局搜索，较小的适用于 局部搜索，因此惯性权重因子的取值应随时间逐渐减小。 初始时，Shi将惯性权重因子取为常数，但后来实验发 现，动态值能够获得比固定值更好的寻优效果。既可以在搜 索过程中线性变化，也可根据某个测度函数动态改变。但目 前采用较多的是Shi建议的线性递减权值。
x in t 1 x in t v in t 1
式中， i 1 ,2 , , M、n 1,2, , N 分别表示粒子的数量及其维 c1、c2 为加速因子或学习因子，一般取正数；rand 为 数； 0 ,1 之间的随机数。 在迭代中，速度和位置均设定最大值，超过边界值时取 边界值。
c1
c2
6.2 粒子群算法的基本原理
6.2.3 标准PSO算法原理
1998年，Shi对传统PSO算法进行了修正，引入了惯性权 重因子（也称为动量因子），得到 v in t 1 v in t c1 rand pbestin t x in t
6.1 粒子群算法的概述
发展阶段
1995年，美国社会心理学家James Kennedy博士和电气 工程师Russell Eberhart博士根据对鸟群捕食行为的研究， 提出了粒子群算法。分别在日本和澳大利亚召开的两个国际 会议上发表了两篇文章，标志着粒子群算法的诞生。
[1] Kennedy J，Eberhart R，Particle swarm optimization， Proceeding of the IEEE International Conference on Neural Networks，1995，1942~1948 [2] Eberhart R，Kennedy J，A new optimizer using particle swarm theory，Proceeding of the 6th International Symposium on Micro-Machine and Human Science， 1995，39~43
一般分为全局最优粒子群算法和局部最优粒子群算法， 目前主要有两种分类方法。
6.2 粒子群算法的基本原理
6.2 粒子群算法的基本原理
6.2.1 生物学机理
一群鸟在一个区域里随机搜索食物，所有的鸟都不知道 食物在那里。但是他们知道当前位置离食物还有多远，那么 找到食物的最优策略就是搜寻目前离食物最近的鸟的周围区 域。
社会心理学家 James Kennedy博士
电气工程师 Russell Eberhart博士
6.1 粒子群算法的概述
1998年，Yuhui Shi和Russell Eberhart在IEEE Congress on Evolution-ary Computation（69~73）上发表了题为A modified particle swarm optimizer的学术论文，首次对基本 粒子群算法引入惯性权重修正了速度更新公式，修正后的公 式已经为大多数研究者所使用。 从1998年开始，进化计算领域的著名会议IEEE CEC （Congress on Evolutionary Computation，国际进化计算会 议）开始设置PSO算法的专题讨论，与计算智能相关的重要 国际会议PPSN（Parallel Problem Solving from Neture）和 GECCO（Gen-etic and Evolutionary Computation Conference）都将PSO算法作为会议主题之一。
Craig Reynolds 生于1953年3月15日
6.1 粒子群算法的概述
避免碰撞：飞离最近的个体，以避免碰撞； 速度一致：和邻近的个体的平均速度保持一致； 向中心聚集：飞向群体的中心，向邻近个体的平均位 置移动。 1990年，生物学家Frank Heppner建立了鸟类模型。一 群小鸟为找到合适的栖息地在空中飞行 ，当群体中的一只发现较为合适的栖 息地时，它会毫不犹豫地飞向这个栖 息地，同时也将信息传给周围的小鸟 ，使周围的小鸟快速来到这里，最终 把整个群体吸引到合适的栖息地。
6.1 粒子群算法概述
6.1 粒子群算法概述
6.1.1 粒子群算法的概念
粒子群优化算法（Particle Swarm Optimization，简称 PSO）又称为粒子群算法、微粒算法，是通过模拟鸟类群体 觅食行为而发展起来的一种基于群体协作的随机搜索算法， 属于启发式全局优化算法。 粒子群算法的基本思想是通过群体中个体之间的协作和 信息共享来寻找最优解。
6.2 粒子群算法的基本原理
v in t 1 v in t c1 rand pbestin t x in t c 2 rand gbestin t x in t
v in t v in t 1
粒子群算法的缺点
① 容易陷入局部最优，导致收敛精度低和不易收敛。
② 不能有效解决离散及组合优化问题。
6.1 粒子群算法的概述
6.1.4 粒子群算法的分类
按照发展历程分类
一般分为传统粒子群算法和标准粒子群算法。前者于 1995年提出，后者于1998年改进，两者之差仅为有无惯性权 重因子。 根据粒子邻域分类
6.2 粒子群算法的基本原理
6.2 粒子群算法的基本 粒子群算法的基本原理
6.2 粒子群算法的基本原理
粒子群算法PSO中，每个优化问题的解都是搜索空间中 的一只鸟，称之为“粒子”。所有的粒子都有一个由被优化 函数决定的适应度值（fitness value），每个粒子还有一个速 度决定它们飞翔的方向和距离。然后粒子们就追随当前的最 优粒子在解空间中进行搜索。 PSO初始化为一群随机粒子（随机解），然后通过叠代 找到最优解。在每一次叠代中，粒子通过跟踪两个“极值” 来更新自己。第一个是粒子本身所找到的最优解，称为个体 极值pbest，另一个是整个种群目前找到的最优解，称为全局 极值gbest。另外也可以不用整个种群而只用其中一部分相邻 的粒子，则这些所有相邻粒子中的极值就是局部极值。
PSO初始化为一群随机粒子，然后通过迭代找到最优解。 在每一次迭代中，粒子通过跟踪两个极值（pbest、gbest） 来更新自己。在找到这两个最优值后，粒子通过下面的公式 更新自己的速度和位置
v in t 1 v in t c1 rand pbestin t x in t c 2 rand gbestin t x in t
6.2 粒子群算法的基本原理
6.2.2 传统PSO算法原理
鸟被抽象为没有质量和体积的微粒，并延伸到N维空间 中。粒子i（i=1，2，„，M）在N维空间的一些参数设置为
位置表示为：X i x i1 , x i 2 , , x in , , x iN
飞行速度表示为：Vi v i1 , v i 2 , , v in , , v iN
每个粒子都有一个由目标函数决定的适应度值，并且知 道自己迄今为止发现的最好位置（pbest）和现在的位置，可 以看做是粒子自己的飞行经验。 每个粒子还知道到目前为止整个群体中所有粒子发现的 最好位置（gbest），可以看做是粒子同伴的经验。 粒子通过自己和同伴的经验决定下一步的运动轨迹。
6.2 粒子群算法的基本原理
6.2 粒子群算法的基本原理
6.2 粒子群算法的基本原理
6.2.5 全局和局部最优PSO算法
目前关于全局和局部最优PSO算法的概念主要有两种。 概念一 全局最优PSO算法 在速度更新公式
v in t 1 v in t c1 rand pbestin t x in t c 2 rand gbestin t x in t
6.2 粒子群算法的基本原理
v in t 1 v in t c1 rand pbestin t x in t c 2 rand gbestin t x in t
在速度更新公式中，第一项称为记忆项，表示上次速度 大小和方向的影响；第二项称为自身认知项，是从当前点指 向粒子自身最好点的一个项，表示粒子的动作来源于自身的 经验；第三项称为群体认知项，是一个从当前点指向种群最 好点的项，反映了粒子间的协同合作和知识共享。 总之，粒子的速度更新公式由认知和社会两部分组成， 粒子就是通过自身的经验和同伴间最好的经验来决定下一步 的运动轨迹。
6.2 粒子群算法的基本原理
6.2.4 PSO算法流程
Step1：初始化一群微粒（一般设种群规模为m），包括 随机位置和速度。
Step2：评价每个微粒的适应度值。
Step3：将每个微粒的适应度值与其经过的最好位置 pbest进行比较，如果较好则将其作为当前的最好位置pbest。 Step4：将每个微粒的适应度值与种群的最好位置gbest 进行比较，如果较好则将其作为种群的最好位置gbest。 Step5：根据速度和位置公式调整粒子的飞行速度和所 处位置。 Step6：判断是否达到结束条件，若未达到转到Step2。