云环境下基于粒子群优化算法的资源调度策略研究+源代码(2)
生物学家Craig Reynolds在1987年提出了鸟群聚集模型，在他的仿真中，每一个个体遵循：
(1) 避免与邻域个体相冲撞；
(2) 匹配邻域个体的速度；
(3) 飞向鸟群中心，且整个群体飞向目标。
利用上面三条简单的规则，非常接近的模拟出鸟群飞行的现象。
2.2算法原理
PSO从这种模型中得到启示并用于解决优化问题。PSO 中，每个优化问题的潜在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的函数决定的适应度，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搜索。
PSO初始化为一群随机粒子(随机解)，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来更新自己；第一个就是粒子本身所找到的最优解，这个解称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。
粒子群算法核心公式 和 ，其中c1和c2为学习因子，w为惯性权重，r1,r2为0~1之间的随机数，为第i个粒子的速度，为每个粒子所出现的最佳位置，为所有粒子出现的最佳位置，为每个粒子所在位置。粒子群算法就是粒子趋向最优粒子运动的算法，最后求出最优的粒子最优位置。
公式中第一部分是粒子的先前速度，说明粒子目前的状态，在搜索初期较大的值有利于跳出局部极小点，搜索后期较小的值有利于算法收敛；第二部分是个体的认知部分，这部分使粒子有较强的全局搜索能力，避免陷入局部极小；第三部分是社会共享信息，这部分将使粒子从其它优秀粒子中汲取经验，加强搜索能力