第4章：粒子群优化(PSO)与网络拓扑控制

各位同学，今天我们来聊一个特别有意思的话题——粒子群优化。说实话，我第一次接触这个算法时，脑子里浮现的画面就是傍晚时分，成千上万只鸟在天空中盘旋的场景。那种看似无序却又高度协调的飞行，背后藏着什么秘密？

嗯，这其实就是我们今天要讲的PSO算法的灵感来源。

4.1 鸟群飞行行为：自然界的分布式计算

先说说鸟群。你观察过没有？一群鸟在空中飞，没有指挥官，没有GPS，但它们能保持队形，能突然转向，能避开障碍物。这是怎么做到的？

生物学家研究发现，每只鸟只遵循三条简单规则：

• 分离：别撞到邻居
• 对齐：跟邻居保持相同方向
• 聚集：别离群体太远

就这么三条规则，就能产生极其复杂的群体行为。我在做无线传感器网络项目时，就经常想：如果我们的节点也能像鸟群一样自组织，那该多好？

后来我发现，这不只是想想而已。PSO算法正是受此启发，把每个解看作一只“鸟”，让它们在解空间中飞行、交流、学习。

4.2 PSO算法详解：从鸟群到数学公式

好了，感性认识有了，我们来点硬核的。PSO算法的数学表达其实不复杂，我尽量用大白话讲清楚。

每个粒子有两大属性：

• 位置：当前解，用向量 x 表示
• 速度：下一步移动的方向和大小，用向量 v 表示

每次迭代，粒子按下面公式更新：

v_new = w * v_old + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x)
x_new = x + v_new

别被公式吓到，我来拆解一下：

参数	含义	我的经验值
w	惯性权重，保持原有运动趋势	0.6~0.9，动态衰减效果更好
c1, c2	学习因子，分别代表自我认知和群体认知	通常取2.0，但要根据问题调整
r1, r2	[0,1]随机数，增加搜索多样性	每次迭代重新生成
pbest	粒子自身历史最优位置	相当于“我的经验”
gbest	全局历史最优位置	相当于“大家的经验”

4.3 拓扑控制优化实战：让网络自己“长”出好结构

好，理论讲完了，我们来点实战。为什么PSO适合做网络拓扑控制？

说白了，网络拓扑控制就是个优化问题。你要在覆盖范围、能耗、连通性、延迟这些指标之间找平衡。传统方法靠人工调参，累死个人。PSO呢？让网络自己学！

我给大家看一个实际案例。假设我们有50个传感器节点，要部署在100x100米的区域内。目标是：

• 覆盖率达到95%以上
• 网络保持连通
• 总能耗最小化

用PSO怎么搞？

# 伪代码，实际项目中的简化版本
初始化粒子群（每个粒子代表一种拓扑方案）
for 迭代次数 in range(100):
    for 每个粒子:
        计算适应度（覆盖率 + 连通性 + 能耗）
        更新 pbest 和 gbest
        更新速度和位置
    输出当前最优拓扑

适应度函数怎么设计？我一般这样写：

fitness = w1 * 覆盖率 + w2 * 连通度 - w3 * 能耗

权重系数怎么定？嗯，这个要看具体需求。我曾经做过一个项目，甲方特别看重能耗，我就把w3设得很大。结果呢？覆盖率掉到80%以下，被骂了一顿。后来调整了权重，才找到平衡点。

4.4 知识体系总览

为了让大家对本章内容有个整体把握，我画了张图：

这张图把本章的三个核心模块串起来了。从左到右，从自然现象到数学算法，再到工程应用，这就是我们做生物启发式计算的基本思路。

4.5 小结与思考

今天的内容就到这里。我总结几个关键点：

• PSO的核心是“个体经验+群体经验”的协同进化
• 参数调优是门手艺活，没有万能配置
• 拓扑控制问题天然适合用PSO求解

最后留个思考题：如果让你用PSO优化一个城市的路灯网络，你会怎么设计适应度函数？