粒子搜索算法入门与实战技巧

最近有不少朋友在后台问我，说想学**粒子搜索**但不知道从哪下手，网上的资料要么太学术要么太零散。我自己前后折腾粒子搜索也有两三年了，踩过的坑真不少，今天就把**粒子搜索算法**的入门方法和实战技巧一次性讲清楚，尽量说人话，让刚接触的朋友也能看懂。

粒子搜索到底是个啥，别被名字唬住

刚听到**粒子搜索**这词的时候，我也觉得挺玄乎，其实说白了它就是模拟一群鸟找食物。每只鸟就是一个“粒子”，它们到处飞，记住自己去过最好的地方，也看着同伴去哪了，慢慢整个群就朝最优解靠拢。核心就三个东西：位置、速度、适应度。位置代表一个候选解，速度决定它下一步往哪飞，适应度就是评价这个解好不好的分数。

我刚开始学的时候犯了个傻，以为粒子越多越好。结果跑一个简单函数优化，设了500个粒子，电脑风扇呼呼转，跑半天还不如50个粒子快。后来才明白，**粒子搜索**的粒子数量得看问题复杂度，一般20到50个就够了，维度高再适当加。这个坑希望大家别再踩。

参数调优这块，说多了都是泪

**粒子搜索算法**里有两个学习因子，一个管自己历史最优，一个管全局最优。网上教程常说要平衡，但怎么平衡没人说清。我实测下来，前期让粒子多信自己、少信群体，后期反过来，效果会好很多。具体做法就是让认知因子从2.0慢慢降到0.5，社会因子从0.5升到2.0，这样前期探索广，后期收敛稳。

还有惯性权重，这个更关键。固定值0.7不是不能用，但容易早熟。我习惯用线性递减，从0.9降到0.4，配合上面说的学习因子变化，大部分测试函数都能跑出不错的结果。当然这不是万能药，遇到多峰函数还是得加变异操作，不然粒子全挤在一个局部最优里出不来。

实战里几个容易翻车的点

第一个就是边界处理。很多新手写**粒子搜索**代码时，粒子飞出搜索范围了直接不管，结果适应度算出来乱七八糟。正确做法是碰到边界就把它拉回来，同时速度反向或者清零，这样才合理。

第二个是适应度函数的设计。我做过一个工程优化项目，一开始把约束条件直接写进适应度里，用惩罚项，结果参数稍微没调好，整个搜索就废了。后来改成先判断可行性再算适应度，不可行的解直接给个差评但不参与历史最优更新，**粒子搜索**的稳定性立马提升一大截。

第三个是终止条件。别只盯着迭代次数，有时候粒子早就收敛了还在那空转。我一般加个判断，连续20代全局最优没变化就停，省时间也省电。

新手怎么快速上手粒子搜索

如果你刚接触**粒子搜索**，别一上来就啃论文。找个简单的函数，比如Sphere函数，自己手写一遍粒子搜索流程，就几十行代码。写完之后改改参数，看看结果怎么变，比看十篇文章都管用。然后再去试Rastrigin这种多峰函数，感受一下局部最优的坑。

工具方面，Python的话直接用numpy就行，不用装什么花哨的库。MATLAB也有现成的粒子群工具箱，但我不建议一开始就用，容易知其然不知其所以然。等你手写跑通了，再用工具箱提效率也不迟。

最后说一句，**粒子搜索**不是万能算法，它适合连续优化问题，离散问题得改二进制版本或者用别的算法。但作为入门智能优化算法的第一站，它绝对值得花时间搞明白。希望这篇**粒子搜索**实战笔记能帮你少走点弯路，有问题随时交流。