粒子群算法PSO五种改进策略详解：从惯性权重到量子行为

简介：这份压缩包聚焦粒子群优化算法的五种改进变体，提供可直接运行的 MATLAB 源码，面向正在学习群体智能算法、需要对比不同改进策略效果的高校学生与研究者。包内分别实现基本 PSO、自适应权重、线性递减权重、随机权重、带压缩因子等典型变体，并附测试函数脚本来验证算法性能；通过运行这些脚本，可以直观比较不同策略在收敛速度、跳出局部最优和最终精度上的表现。资源共 6 个文件，均为 .m 格式源程序，压缩包大小仅 3KB，轻量方便快速阅读和调试。目前已有 618 人学习下载，读者可借助这些代码理解惯性权重、学习因子调整、约束处理以及混沌或遗传操作等改进思路的具体实现，也可直接修改参数观察寻优过程，梳理各参量对探索与开发平衡的影响。整体适合论文复现、课程实验或算法对比研究。

1. 从标准PSO的早熟说起：为什么改进算法成了刚需

PSO粒子群算法的5种改进算法实例源码，看着像是数学公式的堆叠，其实是给"标准PSO会早熟收敛"这个老毛病开药方。标准粒子群代码不到五十行，十个新手能跑出十种结果，落到Rastrigin这种多峰函数上，大概率会卡在某个局部极小值附近反复震荡。5种改进——线性递减惯性权重、压缩因子模型、局部环形拓扑、混沌映射、量子行为QPSO——分别从参数、信息传播路径、初始化和运动模型四个维度下手，目的只有一个：在保持PSO实现简单的底子上，把全局探索和局部开发的节奏重新拉开。这个东西适合做算法对比实验的人、算毕业设计的人，以及在实际工程里把PSO当黑匣子用、现在想打开看看里面还能怎么调的从业者。

2. 标准PSO的原理与5种改进的选型逻辑：先知道改在哪，再动手跑

2.1 速度-位置更新公式的三项含义：早熟到底早在哪

标准PSO的每个粒子保存两类信息：自己历史最优位置pbest、全体最优位置gbest。每次迭代，粒子按公式更新速度，再按新速度移动：

v = w·v + c1·r1·(pbest - x) + c2·r2·(gbest - x) x = x + v

第一项是惯性项，保留粒子上一次的运动方向；第二项是个体认知项，让粒子回头朝自己走过的"高光点"靠近；第三项是社会认知项，让粒子向当前全局最优位置靠拢。c1、c2通常都取2.0，r1、r2是每次迭代重新生成的随机数。这套公式的实现不难，难的是理解早熟是怎么被"设计"出来的。

早熟的根源就在第三项的牵引力上。假设gbest掉进一个局部极小值，在全局最优替换之前，全体粒子的社会认知项会持续把它们往同一个坐标拉，速度方向高度雷同，种群多样性快速下降。多样性一丢，后面再飞多久都只是在同一片山谷里打转，收敛曲线看着在下降，实际离全局最优还很远。这就是PSO在Rastrigin这类强多峰函数上翻车的主要原因——算法结构没问题，是信息交互的"默认全连通"放大了局部最优的吸引力。

公式之外还要注意初始化。标准PSO里粒子位置是均匀随机撒的，速度通常初始化成很小的值，或者干脆置零。我见过不少实现把速度初始化范围设置得和位置一样大，结果第一轮迭代粒子就飞出了边界，后面全是边界处理逻辑在兜底。你拆源码包的时候，先看速度初始化的倍数——通常取位置范围的1/10左右比较稳，太大太小都会改变前几十轮迭代的探索行为。这个细节不看，后面所有改进算法跑出来的差异都可能只是初始化差异。

2.2 五个改进方向按什么分类：参数型、拓扑型、算子型、模型型

只给结论不吐改造逻辑的源码包很难迁移到新问题。按我个人习惯，先把五类改进分到四个大组里：

参数型改进只动更新公式里的系数，结构不动，风险最低，适合刚接触PSO的人作为第一站。拓扑型改进把"所有粒子共享一个gbest"改成"每个粒子只看自己的邻居"，信息传播慢，种群多样性保留期更长，代价是收敛速度下降。算子型改在优化过程之外——初始化、变异、修复——不影响主循环结构，适合给现有PSO打补丁。模型型直接改运动学模型，QPSO里粒子没有速度概念，位置由一组随机变量控制，跳出局部最优的能力最强，但理解成本也最高。

选型还要看你的用途。如果只做函数极值测试，参数型改进性价比最高；如果做特征选择、路径规划这类兼带离散解和平滑约束的现实问题，拓扑型和算子型更值得优先试，因为它们不影响适应度函数的调用接口。模型型QPSO虽然跳出能力强，但对约束处理要求很高，位置更新后的越界粒子如果没有专门的修复策略，精度反而会崩。这也是我拿到新PSO源码包必看边界处理函数的原因。

2.3 五个改进版各自适合测什么：基准函数先选对再谈精度

一套源码包拿到手，别急着五次全跑，先想清楚要对比什么。最常用的四个基准测试函数是Sphere、Rastrigin、Griewank、Ackley，它们测的东西完全不一样。

按我的习惯，验证惯性权重递减和压缩因子模型首选Sphere和Ackley，一个看收敛精度、一个看能否跨过平坦区域；验证局部拓扑和混沌扰动首选Rastrigin，因为大量等距局部极小值最能暴露"全局信息牵引过强"的问题；QPSO则四种都跑，它的概率型落点在不同景观下的表现差异很大。先跑标准PSO作基线，再逐个替换改进模块，每改一处只动一个变量，结果才有可比性。

另一条容易忽略的是维度。很多源码包里默认写dim=2，跑二维函数曲线画出来很好看，但二维Rastrigin和三十维Rastrigin是两个物种。二维下粒子密集、信息交互快；三十维下每个粒子只靠30个坐标移动，搜索空间稀疏得多。基准测试至少设到30维，条件允许50维，才能看出改进版和标准版的真实差距。最大迭代次数也要按照维度缩放，比较常见的配置是dim=30配1000到2000次迭代。维度不敢拉高，改进算法那点优势根本测不出来。

3. 源码包结构解析与第一个用例跑通：验证调用链路的三个步骤

3.1 文件怎么划分职责：一个能复用的PSO工程结构

拿到的rar解压后，每家源码包的组织习惯不一样，但靠谱的实现通常会把算法、测试函数、主程序分开。我自己的习惯是改成下面这种结构，五个改进版各占一个文件，互相不污染：

pso_improved/ ├── main.py # 主入口：选择测试函数和算法 ├── test_functions.py # Sphere/Rastrigin/Griewank/Ackley ├── pso_std.py # 标准PSO基线 ├── pso_w.py # 线性递减惯性权重 ├── pso_cf.py # 压缩因子模型 ├── pso_local.py # 局部环形拓扑 ├── pso_chaos.py # 混沌初始化与扰动 ├── pso_q.py # 量子行为QPSO └── plot_curve.py # 收敛曲线绘制与输出

main.py只负责读参数、调用算法、打印结果，算法文件只负责迭代逻辑，test_functions.py统一所有测试函数的签名。这样划分的好处是：你想对比标准版和五个改进版，只需要在main.py里改一个算法函数名，不用在六个文件之间来回找差异。拆开源码包后第一件事也是看这个——主循环里有没有混进测试函数、有没有把适应度计算写在速度更新旁边，一旦混着写，后面想单独替换任何一个模块都得动手术。

3.2 最小可运行主程序：先调通一条完整链路

我拿到任何一个PSO改进源码，不会直接去看改进细节，而是先跑一个最小主程序，确认调用关系对得上。下面这段就是典型的验证入口，你自己拿到的包无论文件名叫什么都应该能找到等价函数：

# main.py：跑通一次线性递减惯性权重版，其余版同理 import numpy as np from test_functions import rastrigin from pso_w import pso_w if __name__ == "__main__": dim = 30 lb, ub = -5.12, 5.12 # Rastrigin 常用边界 gbest_pos, gbest_score, curve = pso_w( func=rastrigin, dim=dim, lb=lb, ub=ub, swarm_size=30, max_iter=1000, w_max=0.9, w_min=0.4, c1=2.0, c2=2.0, seed=42, ) print(f"最优位置: {gbest_pos}") print(f"最优适应度: {gbest_score:.6e}") np.save("curve_w.npy", curve)

这段代码的作用是验证三件事：算法函数的参数顺序是否和主程序理解一致、适应度函数能否被批量调用、返回值是否包含最优位置、最优值和完整收敛曲线。seed固定为42是刻意为之，保证同一次实验可以复现；swarm_size=30和max_iter=1000是PSO实测里比较常规的起点，种群太少容易早熟，太多又拖慢单次运行，30个粒子在30维问题上已经是及格配置。

跑这步的时候，我建议你顺手做一件事：把五个算法文件里的函数签名都打印出来，确认每个函数的返回顺序。不同的源码包对返回值的约定差异很大，有的返回[最优位置, 最优值]，有的返回[最优值, 收敛曲线, 最优位置]，顺序搞反了，后面统计全白做。

3.3 一次运行结果怎么判断好坏：先看曲线形态再看数值

跑完之后别急着换算法，先拿这条收敛曲线做体检。判断标准不是"曲线下降得越快越好"，而是按阶段看：前200次迭代应当出现明显下降，说明探索阶段在正常工作；中段下降速度放缓，说明粒子在向某个最优区域聚拢；末段曲线接近水平，且水平段的位置和适应度数量级符合测试函数的特征，比如Sphere上到1e-8以下才算正常，Rastrigin上到10以内是正常，能进1以内就是相当好的结果。如果曲线前段就近乎直线，要么初始化范围太小，搜索起点全挤在局部区域；要么速度初始化过大，粒子在前几十轮全部越界被边界处理函数钳死。

还有一条更隐蔽的体检项：把curve保存下来，在另外几个随机种子下重复三次。同一个算法同一套参数，三次结果的末段适应度如果差出两个数量级以上，说明这个实现里存在严重的随机性依赖，通常来自混沌映射的初值选择或边界重置逻辑，先排查这两处再谈改进效果。再好的改进算法，随机种子一变结论就翻来覆去，落地的时候一样没法用。

4. 5种改进算法的核心实现与参数调优：每个版本怎么改怎么设

4.1 线性递减惯性权重：w从0.9滑向0.4的探索-开发节奏

核心思想：迭代前期用大惯性权重让粒子保持自己的运动惯性，减少被gbest立刻拉走的概率；后期用小惯性权重让粒子专心地局部精细搜索。这是最直观、最容易被新手接受的一种改进，也是很多源码包默认自带的版本。

# pso_w.py 核心片段，rng 在函数入口统一生成 for t in range(max_iter): w = w_max - (w_max - w_min) * t / (max_iter - 1) # 线性递减 r1 = rng.random((swarm_size, dim)) r2 = rng.random((swarm_size, dim)) vel = w * vel + c1 * r1 * (pbest - pos) + c2 * r2 * (gbest - pos) pos = pos + vel pos = np.clip(pos, lb, ub) # 越界粒子回拉边界

逻辑说明：w从0.9线性降到0.4，是这一类改进最经典的区间。0.9保证前期粒子有足够独立运动能力，不容易被单一gbest牵引；0.4让后期粒子速度衰减加快，在最优区域附近做更细的搜索。c1=c2=2.0维持个体认知和社会认知的默认均衡。如果你拿到的源码包把w直接写成一个固定常数，那它就不是完整的递减版，只是把常数换了个写法。

参数怎么调：w_min别调到0.2以下，粒子会迅速失去探索能力；max_iter较短时（比如200次），可以考虑把w_max降到0.8，让递减曲线更陡，避免后期权重还很高、粒子静不下来。另外一个容易被忽略的参数是速度初始化范围，建议设为位置范围的1/10，太大首轮越界严重。实测里如果发现曲线在中段出现"台阶式"停顿，多半是w递减速度跟不上搜索需求，把w_min调高一点通常能缓解。

4.2 压缩因子模型：用收缩系数换掉惯性权重

压缩因子模型把所有粒子速度整体乘一个小于1的系数χ，理论上这样才能让粒子位置序列收敛。χ的计算有明确的数学约束，这是它和惯性权重递减最大的区别——一个靠经验曲线，一个靠数学保证。

# pso_cf.py 核心片段 phi = c1 + c2 # 通常取 4.1，必须大于 4 chi = 2.0 / abs(2.0 - phi - np.sqrt(phi * phi - 4.0 * phi)) vel = chi * (vel + c1 * r1 * (pbest - pos) + c2 * r2 * (gbest - pos)) pos = pos + vel

逻辑说明：chi是收缩因子，c1=c2=2.05时phi=4.1，chi约等于0.7298，等于把整个速度向量压缩到原来的七成多。表面上它只是给速度乘个系数，实际效果是让粒子的搜索范围随时间自然收敛，不需要再单独维护一个动态惯性权重。这个版本跑起来比递减权重版更省心，因为要调的参数少了一个。

参数说明：phi必须大于4，否则根号里是负数或零，chi失去意义。c1和c2对调没有问题，但两者之和必须守住4.1这条线。一般把phi调大（比如4.5），收缩更猛，收敛更快，但更容易早熟；phi调小逼近4.0，粒子维持运动能力更久，适合多峰函数。调参时记住一点：压缩因子模型的收敛性由数学保证，搜索质量由phi微调，别再用惯性权重那套思维去调c1和c2。

提示：压缩因子模型里的phi是我最常提醒人不要改错的地方。phi一旦小于等于4，收缩因子表达式直接失效，粒子速度会被异常放大，表现为适应度曲线剧烈震荡。拿到源码第一件事先检查这个值。

4.3 局部环形拓扑：信息传播变慢反而换来高精度

局部版的关键是把速度更新里的gbest换成每个粒子的邻域最优lbest。环形拓扑是最简单的邻居定义：把粒子按下标排列成环，每个粒子只看自己前后各k个粒子。这种改进在代码上只动了几行，但改变了整个信息传播机制。

# pso_local.py 核心片段 def get_lbest(pbest, pbest_score, i, k=2): n = len(pbest) idx = [(i + j) % n for j in range(-k, k + 1)] # 环形取邻域 j = min(idx, key=lambda x: pbest_score[x]) return pbest[j].copy() # 更新时代替 gbest lbest = np.array([get_lbest(pbest, pbest_score, i, k) for i in range(swarm_size)]) vel = w * vel + c1 * r1 * (pbest - pos) + c2 * r2 * (lbest - pos) pos = pos + vel

逻辑说明：每个粒子有自己的lbest，是动态选择的——邻域里谁的历史最好谁就是当前的信息源。这样信息传播只能一步步沿环蔓延，某个区域的局部最优想吸引全群，得先"收买"相邻粒子，间接给其它区域留下探索时间。你可以理解为把全村的广播改成了邻里之间的交头接耳，信息不容易被单个声音带偏。

参数怎么设：k=2是最常见的配置，邻域半径是5个粒子；k=1信息传播极慢，适合强多峰函数，但收敛速度肉眼可见地慢；k拉到总群数的一半以上，实际上退化成全局版，就失去了拓扑改进的意义。我在跑Rastrigin时习惯k=2、种群40、迭代1500，整体表现比全局版平稳，代价是单次运行时间变长。这里要提醒一句：粒子下标顺序是随机初始的，环形邻居关系在运行中固定不变，不要每一代重新打乱下标，那就变成随机拓扑了。

4.4 混沌映射：初始化用Logistic，迭代中扰动要节制

混沌改进分两派：一派只在初始化阶段用混沌序列替代均匀随机，保证初始种群在空间里铺得更"散"；另一派在迭代中每隔固定代数对部分粒子做混沌扰动。两种做法不是互斥的，但混着用之前先跑单一效果，免得无从排查。

# pso_chaos.py 核心片段 def chaos_init(swarm_size, dim, lb, ub, seed=0.3): rng = np.random.default_rng(int(seed * 1000)) cur = rng.uniform(0.01, 0.99, size=dim) # 每维独立初值 x = np.empty((swarm_size, dim)) for i in range(swarm_size): cur = 4.0 * cur * (1.0 - cur) # Logistic 满映射 x[i] = lb + (ub - lb) * cur return x

逻辑说明：Logistic映射x_{n+1}=4x(1-x)在参数a=4时处于满混沌状态，迭代出的序列在[0,1]范围内看起来随机但分布更均匀。初始化函数先用每个维度独立的随机初值迭代出第一代混沌序列，再逐代生成整个初始种群，映射回[lb,ub]区间。每个维度独立初值这一点很关键，如果所有维度共用同一个初值，生成的种群会在高维空间里落在一条低维曲线上，多样性反而更差。

参数和坑：a必须等于4才满混沌，a小于3.57序列会进入周期循环，失去混沌意义。初值不能取0、0.25、0.5、0.75、1.0这类固定点或周期点，否则序列直接锁死；我一般限制在[0.01,0.99]再随机生成。迭代中扰动不要太频繁，每隔50代随机替换20%的粒子位置就够，每代都扰动会把算法变成随机搜索。还得提一句：混沌序列生成器如果在并行计算时被多个进程共享，结果会乱套，每个进程都要单独维护自己的混沌状态。

提示：混沌序列生成器不要在多个粒子维度间共享同一个迭代状态，每个维度独立维护才能保持混沌特性。如果发现初始化后所有粒子集中在一条线上，先检查初值是不是只生成了一个标量。

4.5 量子行为QPSO：没有速度的粒子如何跳出局部最优

QPSO彻底抛弃了"速度"概念。粒子状态用概率密度函数描述，迭代时先算所有粒子pbest的均值位置mbest，再把每个粒子的吸引点p定义为pbest和gbest的随机加权，最后按一种带对数项的分布采样新位置。正因为新位置是从概率分布里采出来的，允许和当前运动方向无关地出现一次"跳跃"，所以跳出局部最优的能力比前四种都强。

# pso_q.py 核心片段 mbest = np.mean(pbest, axis=0) # 平均最好位置 alpha = 1.0 - 0.5 * t / (max_iter - 1) # 收缩-扩张系数，1降到0.5 for i in range(swarm_size): phi = rng.random() p = phi * pbest[i] + (1.0 - phi) * gbest # 局部吸引点 u = rng.random() gap = np.abs(mbest - pos[i]) pos[i] = p + alpha * gap * np.log(1.0 / u) if rng.random() < 0.5 else p - alpha * gap * np.log(1.0 / u)

逻辑说明：mbest是种群整体向最优区域聚拢程度的度量，mbest和当前粒子位置的差值越大，采样范围越宽；alpha是收缩-扩张系数的动态值，迭代前期大，允许粒子大步探索，后期小，让落点集中在吸引点附近。公式里的u是(0,1)随机数，ln(1/u)把均匀分布变成非对称的长尾分布，这就是QPSO能偶尔跳出局部最优的数学来源。

参数怎么调：alpha从1.0线性递减到0.5是最常见的调度。alpha整体放大（从1.2起步），全局搜索更强但末段精度差；整体缩小（从0.8起步），收敛稳但容易早熟。每代都要更新mbest，不要用全局不变的mbest。边界处理上QPSO比普通PSO更敏感，因为概率采样容易产生大幅越界，越界粒子我习惯直接重新初始化而不是clip回边界，clip会把分布尾部全截掉，反而破坏采样特性。

5. 避坑与排查：改进算法实测中的5个高频翻车点

5.1 改进版跑分反而不如标准PSO

现象：标准PSO在Sphere上收敛到1e-8，惯性权重递减版和压缩因子版却停在1e-3。于是结论变成"改进算法无效"。别急着下这个结论，先对照实验设置查一遍。

原因：最常见的有三种——标准PSO用了固定w=0.9而改进版测试中w_min调得过小、边界处理逻辑两版不一致、适应度函数在迭代内部被重复计算导致浮点误差累积。我见过有人把Rastrigin实现里的常数项写错，标准版和五个改进版全部跑偏，结论自然全不可信。

解决：先固定测试函数和边界逻辑，单独验证标准版基线，再逐个开启改进开关。每次只改一个变量。把标准版和每个改进版的初始种群用同一个随机种子生成，排除初始化差异后，改进效果才能归因到算法本身。这一步没做，后面所有结论都是空中楼阁。

5.2 收敛曲线一直下降，最终精度却很难看

现象：曲线前段下降漂亮，末段几乎平了，但适应度离最优值差好几个数量级。这时候很多人会去调w、调c1、调c2，调一圈发现没用。

原因：问题多半不在速度更新公式，而在边界处理。粒子在迭代中被clip回边界，一旦粒子飞到边界并被钳死，速度方向会被迫反复反向，导致粒子在边界附近来回震荡。Rastrigin的边界外适应度极大，边界上适应度很差的区域就会变成"引力陷阱"，粒子被边界钳住后就很难回到搜索空间内部。

解决：检查边界处理函数。回拉式clip只适合简单场景；反射式和随机重置式对多峰函数更友好。我一般对PSO用随机重置——越界粒子在搜索空间内重新随机生成，同时保留pbest历史，既保证粒子不逃离搜索域，又不引入边界上的虚假适应度。改完边界策略，很多"改进了个寂寞"的结论会反过来。

5.3 混沌初始化后粒子直接越界

现象：映射到[0,1]的Logistic序列，竟然出现负值或大于1的值，越界后适应度函数直接报错或返回无穷。第一次遇到时很容易以为是地图公式写错了。

原因：Logistic映射在a=4时值域确实是[0,1]，但浮点精度和初值选取会让序列不稳定；初值一旦迭代到0或1附近，后续序列会锁死在0或1上，映射后全部堆在边界位置。如果代码里把a写成3.9或4.01，情况更不可控。

解决：a必须精确等于4.0；初值限制在[0.01,0.99]；每代生成后加一个断言，检查值域。更稳的方法是先用均匀随机密铺一遍，再用混沌序列做扰动，这样即使某维混沌锁死，也不会毁掉整代种群。断言检查这行代码，建议所有改进版都保留，排错效率翻倍。

5.4 对比实验结论每次跑都不一样

现象：同一套代码同一套参数，昨天跑是改进版胜，今天跑是标准版胜，换个机器、换个库版本，结论都可能翻面。这种时候先别怀疑算法，先怀疑随机性管理。

原因：随机种子没有统一管理，或者初始化虽然固定了但迭代过程中的随机数流顺序被改动。很多源码包用全局随机函数，多线程或换库版本会让随机数序列漂移。特别是Python里如果用了random模块而不是numpy的随机数生成器，序列稳定性更差。

解决：给每个算法实例传入独立的np.random.default_rng(seed)，把seed作为参数暴露出来；对比实验固定同一组seed，比如[1,2,3,...,30]。只跑一次就下结论的都是玄学，至少跑30次独立实验，报告最好值、最差值、均值和标准差。数据量大了之后，单次随机带来的波动才会被平均掉。

5.5 升到高维后所有改进策略集体失效

现象：dim=2时各个改进版精度都漂亮，升到50维或100维，全部退化到同一起跑线，甚至标准PSO反而更稳。这不是算法代码有问题，是搜索空间本身变了。

原因：维度灾难。高维空间里粒子数量不变时，搜索空间体积指数级增长，改进算法那点结构优势覆盖不过来；同时高维函数多数维度的梯度方向耦合严重，单靠调整w或邻域结构解决不了。特别是混沌初始化，在低维下分布均匀的优势，到了高维会因为采样点指数级稀疏而失效。

解决：先根据维度调整种群规模，经验值大约是粒子数=5×dim到10×dim，dim=50至少要250到500个粒子；再考虑改进组合，比如惯性权重递减加混沌扰动一起用，而不是把所有方法叠加。高维场景下先保住搜索能力，再追求精度，顺序不能反过来。种群规模不跟着维度走，再好的改进也发挥不出来。

6. 进阶用法与验证习惯：把改进叠加而不是堆叠

6.1 组合策略怎么加：单一改进跑通后再叠加

单一改进效果稳定后，可以组合。最稳的组合是参数型加算子型——惯性权重递减保证探索节奏，混沌扰动定期注入新鲜分布；两者改动点互不冲突，逻辑最清晰。避免同一类型里叠两个策略，比如压缩因子模型和线性递减惯性权重同时改速度系数，参数互相干扰，出问题没法定位是哪一个在起作用。我习惯先跑单一改进30次，记录基线，再打开组合开关，用同一批seed对比，只有组合版在均值和最差值上都优于单一版才保留。

6.2 验证别只看单次跑分：多随机种子的统计习惯

改进算法最忌"一次run定结论"。我现在的固定流程是：30个seed各跑一次，记录收敛到最优时的迭代数、末段适应度、总耗时，汇总成均值加减标准差；条件允许再做一个Wilcoxon符号秩检验，对比两个算法在30次配对结果上是否有统计显著差异。别迷信收敛曲线，先看数据分布。两个算法均值差0.1但方差差一个数量级，选方差小的那个落地更靠谱。

6.3 把改进模块当可替换零件：留好接口再调参

现在拿到的这类源码包，不论里面的算法叫什么名字，我都会先把它改造成统一接口的模块再跑实验。曾经为了省事直接在原始文件里改参数，五套算法各改各的，最后对比时连有没有做过边界处理都核对不清，被迫从零重跑，白白损失大量时间。后来养成的习惯是：所有PSO变体的公共入口参数保持func、dim、lb、ub、swarm_size、max_iter、seed七件套一致，算法特有参数放在后面单独传，返回值统一成gbest、gbest_score、curve三件套。这样无论拿到谁的代码，都能在半小时内纳入同一套对比框架，再也不会因为接口不统一而重写测试脚本。希望帮到你。

本文还有配套的精品资源，点击获取