基本原理问题的解对应于搜索空间中一只鸟的位置，称这些鸟为“粒子”（particle)。素每个粒子都有自己的位置、速度和适应度一位置对应当前所找到的解一速度用于决定飞行的方向和远近一适应度表征当前位置的优劣，由被优化函数决定C
基本原理 问题的解对应于搜索空间中一只鸟的位置, 称 这些鸟为“粒子”(particle) 。 每个粒子都有自己的位置、速度和适应度 – 位置对应当前所找到的解 – 速度用于决定飞行的方向和远近 – 适应度表征当前位置的优劣，由被优化函 数决定
基本原理初始化为一群随机粒子(随机解)，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己的状态一第一个就是粒子本身所找到的最优解,叫做个体极值点(用pbest表示其位置)一另一个极值点是整个种群目前找到的最优解(用gbest表示其位置)或者当前邻居找到的最优解(用lbest表示其位置)C
基本原理 初始化为一群随机粒子(随机解) , 在每一次迭 代中, 粒子通过跟踪两个“极值”来更新自己 的状态 – 第一个就是粒子本身所找到的最优解, 叫做 个体极值点(用pbest 表示其位置) – 另一个极值点是整个种群目前找到的最优 解(用gbest 表示其位置)或者当前邻居找到 的最优解(用lbest 表示其位置)
基本原理素粒子i的状态可以用D维向量表示-位置表示为X,=（xil,Xi2，···,XiD)T-速度为 V,=( Vil，Vi2，···， ViD)T一其它向量类似素速度和位置迭代方程为k+1via + cirand' (pbestia - xia)→Vidc2rand(gbesta - xia)k+1kk+1xid+vidxid
基本原理 粒子i 的状态可以用D 维向量表示 – 位置表示为 Xi = ( xi1 , xi2 , . . . , xiD) T – 速度为 Vi =( vi1 , vi2 , . . . , viD) T – 其它向量类似 速度和位置迭代方程为
公基本原理via是粒子i在第k次迭代中第d维的速度；c，c2是加速系数（或称学习因子），分别调节向全局最好粒子和个体最好粒子方向飞行的最大步长，若太小，则粒子可能远离目标区域，若太大则会导致突然向目标区域飞去，或飞过目标区域[2]。合适的C1，c2可以加快收敛且不易陷入局部最优，通常令ci=2=2；randi,2是[0，1］之间的随机数;xia是粒子i在第k次迭代中第d维的当前位置；
基本原理
基本原理pbestid是粒子i在第d维的个体极值点的位置：素gbest,是整个群在第d维的全局极值点的位置。素为防止粒子远离搜索空间.粒子的每一维速度Va都会被钳位在[-Vdmax，+Vdmax］之间*Vdmax太太，粒子将飞离最优解，太小将会陷入局部最优。*设将搜索空间的第d 维定义为区间[-Xdmax，+xdmax 1,则通常vdmax =kxdmax , 0.1<k≤1。福
基本原理 pbestid是粒子i 在第d 维的个体极值点的位置; gbestd 是整个群在第d 维的全局极值点的位 置。 为防止粒子远离搜索空间, 粒子的每一维速度 vd 都会被钳位在[ -vdmax , +vdmax ] 之间 vdmax太大, 粒子将飞离最优解, 太小将会陷入 局部最优 。 设将搜索空间的第d 维定义为区间[ -xdmax , +xdmax ] , 则通常vdmax = kxdmax , 0.1≤k ≤1