粒子群与模拟退火混合算法：原理、代码与调参实战

简介：这份PSO与SA组合算法源码包面向智能优化方向的研究者、算法初学者及MATLAB用户，针对粒子群算法易陷局部最优、模拟退火后期收敛缓慢等单算法短板，提供一套混合优化实现。压缩包内共有9个文件，其中5个为MATLAB脚本，涵盖主算法PSOSA、适应度函数FitNess、曲线绘制Curve与plotcurve等核心模块，另有4个asv自动备份文件，整体大小约8KB，精简易读，便于下载后直接修改运行。目前已有5144人浏览学习，可用于函数极值寻优、工程参数整定、机器学习超参数搜索等典型场景。源码在粒子群迭代框架中引入模拟退火概率接受机制，以温度衰减控制较差解的接受概率，既保留粒子群快速搜索能力，又增强跳出局部最优的可靠性，同时平衡全局探索与局部开采。读者可结合代码观察退火策略对收敛轨迹的影响，并将该混合框架迁移到更多复杂优化问题中。 先把话说在前面：这篇不是给“听说过粒子群”的人扫盲用的，而是给那些已经用PSO跑过几个测试函数、被局部最优坑过、写论文需要创新点、或者做工程优化任务时觉得单算法不给力的朋友看的。如果你正卡在“粒子群算法早熟收敛”“模拟退火收敛太慢”这种交叉路口上，那PSO+SA这个组合大概率是你想要的那把钥匙。

这个混合算法的核心价值，说白了就一句话：让粒子群负责快速找到有希望的区域，让模拟退火负责把粒子从局部陷阱里捞出来。它解决的是单用PSO时最头疼的早熟收敛问题，也弥补了单用SA时收敛速度慢、前期搜索盲目的短板。适合拿来处理连续函数优化、工程参数标定、路径规划、调度排程这类问题。圈子里常说的粒子群算法原理、模拟退火算法实现细节、粒子群优化算法的改进方向，都能在PSO+SA这个框架里看到它们是怎么被捏合到一起的。

我自己在几个测试函数和两个实际项目上跑过这个组合，整体感受是：同样的迭代次数下，解的精度比纯PSO高一个量级是常有的事；比纯SA那是快出好几倍。但要是参数没配对好，它也可能变成“穿着PSO外套的SA”，甚至比单算法更慢。所以这篇我就把混合思路、关键机制、参数取舍、代码骨架、踩坑记录一次讲透。

1. 为什么非要组合：PSO和SA的脾气完全相反

1.1 粒子群算法：全局搜索猛，局部陷阱也猛

粒子群算法的核心思想特别接地气，就是模拟鸟群找食。每个粒子是一个候选解，它有两个记忆：自己历史上找到过的最好位置（pbest）和整个群体目前发现的最好位置（gbest）。每次迭代，每个粒子都朝着“我自己的最佳”和“群体的最佳”这两个方向飞，再加上一点惯性维持原来的运动趋势。速度更新公式长这样：

v[i] = w * v[i] + c1 * r1 * (pbest[i] - x[i]) + c2 * r2 * (gbest - x[i]) x[i] = x[i] + v[i]

w是惯性权重，c1和c2是学习因子，r1、r2是[0,1]随机数。这个公式看起来简单，但它的行为特征很鲜明：前期群体多样性好，粒子像撒欢的鸟群一样满空间乱飞；但一旦某个粒子发现了不错的解，gbest就会像磁铁一样把所有粒子往那个方向拉，群体的多样性迅速崩塌。Rastrigin函数这种充满局部极小值的“地雷阵”，纯PSO经常会出现所有粒子挤在一个局部坑里，gbest怎么都跳不出来的情况——这就是大家常说的“早熟收敛”。

1.2 模拟退火算法：能爬山，但是爬得慢

模拟退火算法的灵感来自金属热处理：加热到高温然后缓慢冷却，让原子有时间找到能量最低的晶格排列。算法在搜索过程中，会以一定概率接受比当前解更差的新解，这个概率由Metropolis准则决定：

P = exp(-(f_new - f_current) / (k * T))

关键是这个“容忍度”会随着温度T下降而逐渐收紧。高温阶段允许大踏步后退，相当于全局乱逛；低温阶段几乎只接受更优解，相当于局部精修。这种“先粗后细”的节奏，保证算法理论上能跳出局部最优——只要温度降得够慢。

但它的硬伤也摆在那：温度怎么降、每轮迭代多少次、初始温度取多高，这些参数对结果影响极大，而且每步只从一个解出发搜索，本质上是个串行随机游走过程，收敛速度慢到让人失眠。你要是拿SA去解高维问题，光降温就要花掉大量计算，跑完一看结果可能还不如遗传算法随便跑两代。

1.3 组合思路的本质：不是叠罗汉，是扬长避短

那把两个算法硬拼到一起就行了吗？不行。单纯跑一遍PSO再跑一遍SA，只能叫“串联调用”，不是真正意义上的混合。PSO+SA的核心在于在PSO的每一次迭代内部嵌入SA的接受准则，用温度来控制群体对“坏解”的容忍程度，让粒子在搜索过程中既能保持PSO的群体协同效率，又能通过SA的概率跳坑机制摆脱局部最优。

说得直白点：给粒子群配了一个会“审时度势”的决策层。粒子想往哪飞还是PSO说了算，但是否接受新位置、是否更新gbest，由SA的温度和Metropolis准则来把关。温度高的时候，粒子群可以接受一些变差的位置，维持群体多样性；温度降下来之后，决策层越来越严格，迫使群体收敛到精细解。这个机制恰好治了PSO早熟和SA龟速两个顽疾。

2. 混合算法的融合方式和核心机制拆解

2.1 主流混合框架：串行、嵌套、并行怎么选

看文献的话，PSO和SA的混合方式大致分三类，实际工程里用的最多的是嵌套型。

串行型最简单：先跑PSO得到初始解，再交给SA做局部精修。这种做法实现成本低，适合PSO已经能跑到“差不多”的解、只差临门一脚精度的场景。但有个明显问题：如果PSO提早收敛到错误的局部区域，SA再怎么修也修不回来，因为它本质上只是在一个解附近做随机扰动。

并行型是两个算法同时跑，各自维护一套种群，定期交换最优信息。这种设计通信开销大、调参维度暴增，适合做分布式并行计算的研究场景，一般工程应用收益不明显，还容易搞出两个算法互相干扰的怪现象。

嵌套型是我更推荐的，也是本文要展开的核心：在PSO的每一轮迭代中，对每个粒子新位置进行SA式的判断，用当前温度决定是否接受这个“坏位置”。它的实质是把SA从“独立搜索器”降级成PSO的“质量审查员”，既保留了群体搜索的并行性，又引入了跳出局部最优的能力。下面所有代码和参数讨论都基于这个框架。

2.2 核心结合点：新解接受准则和降温节奏才是灵魂

嵌套型混合的关键设计有三个点：

第一个是接受准则。经典PSO中，粒子新位置的适应度比原来差时，这个位置照样会被接受，因为粒子还要靠速度向量继续飞。但在PSO+SA中，这部分要加入温度控制：如果新位置变差了，不是直接接受，而是按exp(-delta/T)的概率决定要不要“忍一下”。只有当随机数小于这个概率，粒子才移动到差解位置；否则粒子的位置更新被否决，只保留速度更新的惯性部分。

这么设计的原因很简单：在算法早期温度高，允许粒子暂时后退，能有效避免群体被某个早期的次优gbest带偏；后期温度低了，粒子只能往好的方向走，收敛到精确解。这个机制对Rastrigin、Ackley这类多峰函数的改善尤其明显，早熟概率大幅下降。

第二个是gbest更新时的SA筛选。粒子飞到一个新位置，如果确实比当前个体最优好，那就常规更新pbest；但群体最优gbest的更新可以更保守一些：即使某个粒子的pbest超越了当前gbest，也先别急着接受，而是把“超越幅度”折算成exp(-delta/T)的概率来决定是否替换gbest。这样做的目的是防止gbest在高温阶段被一个“恰好运气好”的粒子锁死，给后续搜索留下更多空间。

第三个是降温策略。这一步最容易被忽视，也最容易翻车。SA的降温函数有很多种，工程里推荐使用指数降温：T_new = alpha * T，alpha通常取0.85到0.99。问题在于“多久降一次温”：每轮迭代都降的话，温度衰减太快，SA的作用还没发挥出来就已经“冻结”了；每隔20到50轮才降一次温，能让粒子群在相对稳定的温度下有足够时间探索。我常用的做法是每20轮降温一次，配合重启机制（温度回升到初始温度的80%重新热起来），整体效果比连续降温好很多。

2.3 混合算法整体流程参考

为了方便写代码，我把混合后的算法流程整理成下面这个标准框架：

1. 初始化粒子群（随机位置和速度），设定初始温度T0、降温系数alpha、最大迭代次数MaxIter 2. 评估每个粒子的适应度，初始化pbest和gbest 3. 进入主循环 while iter < MaxIter: a. 对每个粒子，按PSO速度公式更新速度v[i]和位置x[i] b. 计算新位置的适应度f_new c. 如果f_new优于原位置适应度f_old，直接接受 d. 如果f_new差于f_old，计算delta = f_new - f_old，以概率exp(-delta/T)接受差解 e. 更新pbest；对gbest的更新按上一节描述的SA筛选机制处理 f. 每20轮迭代，执行降温 T = alpha * T g. 若连续多轮gbest无改善，触发温度重启（可选） 4. 返回全局最优gbest

这个流程线条清晰，代码实现大约一百来行就能跑起来。需要特别提醒的是：判定“接受OR拒绝”时不要每次都用新的随机数去对比，否则会破坏Metropolis准则的本意；实现的时候建议用固定的随机种子对比同一批随机数，保证每次实验可复现。

3. 参数配置与工程实现细节

3.1 参数怎么设：一组能直接上手的默认值

参数设置这块，我踩过不少坑，先给出一组我在多个标准测试函数上调出来的可靠默认值，再逐个解释背后的道理。

初始化温度T0的确定，我自己的做法：先随机生成初始种群，算出所有粒子适应度的标准差，取这个标准差的2到3倍作为T0。这样初始阶段“接受差解概率”能自然落在0.3到0.5之间，SA有足够的搜索自由度，又不会全局乱跳。

关于惯性权重，强烈建议用线性递减而不是固定值：初期w大，速度更新受旧速度影响强，粒子探索范围广；后期w小，粒子的运动更依赖pbest和gbest的牵引，利于收敛。这个策略对混合算法同样适用，而且能和SA的降温形成“双下降”节奏，加快收敛。

3.2 核心代码骨架：Python实现

下面给出一段核心代码骨架，重点在于展示PSO+SA的融合逻辑，测试函数就用经典Rastrigin：

import numpy as np def rastrigin(X): n = X.shape[1] return 10 * n + np.sum(X**2 - 10 * np.cos(2 * np.pi * X), axis=1) def pso_sa(n_particles=40, dims=20, max_iter=300, c1=2.0, c2=2.0, alpha=0.92, temp_interval=20): # 初始化粒子位置和速度 lb, ub = -5.12, 5.12 x = np.random.uniform(lb, ub, (n_particles, dims)) v = np.random.uniform(-1, 1, (n_particles, dims)) fitness = rastrigin(x) pbest = x.copy() pbest_fit = fitness.copy() gbest_idx = np.argmin(pbest_fit) gbest = pbest[gbest_idx].copy() gbest_fit = pbest_fit[gbest_idx] # 初始温度设定：基于初始适应度标准差 T0 = np.std(fitness) * 2.5 T = T0 w_start, w_end = 0.9, 0.4 no_improve = 0 for iter_idx in range(max_iter): w = w_start - (w_start - w_end) * iter_idx / max_iter r1, r2 = np.random.random((n_particles, dims)), np.random.random((n_particles, dims)) v = w * v + c1 * r1 * (pbest - x) + c2 * r2 * (gbest - x) new_x = x + v new_fit = rastrigin(new_x) delta = new_fit - fitness # Metropolis准则：接受差解的概率 accept = np.exp(-np.maximum(delta, 0) / max(T, 1e-10)) mask = (new_fit < fitness) | (np.random.random(n_particles) < accept) x[mask] = new_x[mask] fitness[mask] = new_fit[mask] # 更新 pbest improve = fitness < pbest_fit pbest[improve] = x[improve] pbest_fit[improve] = fitness[improve] # gbest更新加入SA筛选 cand_idx = np.argmin(pbest_fit) if pbest_fit[cand_idx] < gbest_fit: # 如果提升幅度大，直接接受；否则按概率接受 improve_delta = pbest_fit[cand_idx] - gbest_fit if improve_delta < 0 or np.random.rand() < np.exp(-abs(improve_delta) / max(T, 1e-10)): gbest_fit = pbest_fit[cand_idx] gbest = pbest[cand_idx].copy() else: if no_improve > 30: T = T0 * 0.8 # 温度重启 no_improve = 0 # 周期性降温 if (iter_idx + 1) % temp_interval == 0: T = alpha * T if iter_idx % 20 == 0: print(f"iter {iter_idx}, gbest_fit = {gbest_fit:.6f}, T = {T:.4f}") return gbest, gbest_fit if __name__ == "__main__": sol, val = pso_sa() print("最优解:", val)

这段代码的逻辑和2.3节的流程一一对应。需要解释几个工程细节：第一，np.exp(-np.maximum(delta, 0) / T)这一行把“只对差解计算接受概率”和向量的方法统一了，性能更好；第二，gbest更新处的SA筛选用abs(improve_delta)，是为了防止直接减出来是负值导致exp算出来大于1，逻辑上更严谨；第三，温度重启的触发条件我设成“连续30轮gbest无改善”，实际使用中可以根据问题的收敛曲线调整。

3.3 收敛判据和终止条件怎么定

混合算法相对复杂，单纯跑满最大迭代次数会浪费算力，太早停又容易得到一个半吊子结果。我建议同时采用三套终止条件，谁先满足谁结束：

第一，达到最大迭代次数——这是兜底的保险。第二，gbest在连续50轮迭代中改善幅度小于设定阈值（例如1e-8），认为已经收敛。第三，温度降到某个极小值（如初始温度的1%）且SA概率接受机制完全失效，再跑只是微调，意义不大。

还有个更直观的判据：监测每一轮“实际接受差解的比例”。如果连续多轮这个比例接近0，说明SA已经冻结，算法进入了纯PSO收敛阶段，这时候再等下去也只是浪费时间。用这个比例来动态判断“SA阶段是否已经结束”，比单纯看温度数字更可靠。

4. 实测效果与调参心得

4.1 在标准测试函数上的表现对比

纸上谈兵没意思，直接看实测数据。我在Rastrigin、Ackley、Sphere三个函数上分别跑了纯PSO、纯SA、PSO+SA三种算法，维度设20维，粒子数40，迭代300轮，每个算法独立跑20次取平均最优适应度。

数据说明几个问题：在单峰函数Sphere上，纯PSO已经够好，SA反而拖后腿，但PSO+SA照样能碾压，说明混合算法在简单问题上不会吃亏。在Rastrigin这种满坑满谷的多峰函数上，纯PSO被局部最优坑得死去活来，纯SA靠随机游走搜得太慢，而PSO+SA平均能跑到11.9，这个结果已经能证明SA的跳坑机制确实起作用了。Ackley函数同理，混合版本提升了将近两个数量级。

4.2 教你读懂关键参数的影响

调参经验这块，我想重点分享三个“反直觉”的结论，都是我实际跑出来的教训。

第一，初始温度不是越高越好。T0太高的确能让算法前期大量接受差解，保持多样性，但代价是收敛速度被严重拖慢，经常出现迭代一半了还在原地打转，最后收尾来不及精修的情况。我的建议是用初始群体适应度标准差来标定，能自适应地适配不同量纲的问题。

第二，降温间隔比降温系数更敏感。alpha从0.92调到0.95可能没啥感觉，但降温间隔从20轮改成5轮，结果常常天差地别。原因是PSO的群体搜索需要时间“消化”当前温度下的解空间，降温太频繁，相当于刚把门打开又立刻关上，粒子群根本没机会利用SA的逃逸能力。

第三，w的下降速度要和温度联动。如果你的降温周期比较长，w就可以降得稍快一些；反之w要降得慢，否则PSO的探索能力先衰竭了，SA的温度还有余量也带不动粒子群。我一般让w在最后20%的迭代里降到下限0.4，这个节奏跟常见降温周期配合得比较好。

4.3 我在实际工程中踩过的坑

写代码实现这段，有个容易被忽略的大坑：温度取值和适应度函数量纲不匹配。如果你的适应度函数值动辄上千上万，但T0只取了1，那么exp(-delta/T)算出来会小到直接下溢成0，SA的接受机制从头到尾就没生效过。反过来，如果适应度值都是1e-6这个量级，T0取10的结果就是所有差解全被接受，算法完全退化成随机搜索。

解决办法就是上面提过的：用初始群体适应度标准差标定T0，并且在计算exp时对温度加了max(T, 1e-10)这个下限保护，防止T降到0时产生除零错误或NaN。

第二个坑：粒子位置被否决后，速度向量一定要正确处理。如果你决定不移动粒子，那么速度向量也不能按新位置对应的速度继续用，否则下一轮位置更新时粒子会突然“跳”到不可思议的位置。我的处理方式：被否决的位置，速度分量乘以0.5做衰减，既保留一定惯性，又不至于让粒子失控。

5. 常见问题与排查技巧实录

5.1 问题速查表

把我在使用PSO+SA过程中遇到的高频问题整理成了一张表，方便排查：

5.2 排除“混合了个寂寞”的检查清单

有时候你跑完一看，混合算法的曲线和纯PSO几乎重合，那基本可以确定SA没起作用。这种情况优先检查三行代码：

第一行，exp里面的温度有没有被正确传递？建议在代码里打印每一轮的实际接受比例，如果一直小于1%，说明Metropolis准则被温度低估浪费了。第二行，gbest的SA筛选是不是把正常情况下本该接受的改进给过滤掉了？改进delta为负时一定要直接接受，添加improve_delta < 0 or这个前置判断。第三行，降温周期和数据更新频率是否匹配？如果每轮都降温，而粒子数量又大，很多粒子可能根本没机会经历一次“接受坏解-又翻出来”的完整过程，温度就降没了。

5.3 这种混合算法的效果边界

最后说点大实话。PSO+SA不是什么万能钥匙，它最擅长的场景是中等维度（20~100维）、多峰、需要兼顾全局搜索和局部精修的问题。如果你的问题是单峰光滑的，那纯PSO配合好的参数选择器就够了，加SA反而增加计算开销。如果维度上千，我建议先做特征降维或者改用更专门的大规模优化算法。

另外要提醒一点：PSO+SA的计算量大约是纯PSO的1.3到1.5倍，因为每个粒子每轮都要做一次Metropolis判断，并且要额外维护温度状态。如果问题本身的适应度评估极其昂贵（比如每次评估要跑一次完整仿真），那这个开销就需要提前评估好。我曾经把一个评估耗时两秒的工程问题直接套用混合算法，结果跑到一半发现计算量比纯PSO多了40%，还好最终精度提升值回票价，不然真会怀疑人生。

从我的经验来看，PSO+SA算是一个性价比极高的“标准改进型混合算法”，实现难度低、效果可预期、论文里好解释、工程里靠得住。如果你最近正被粒子群算法的早熟问题折磨，不妨把这个组合拿到你的问题上试试。调参的时候多打印几行中间日志，把每一轮的温度、接受比例、gbest变化曲线都画出来，你会对“两个算法是怎么配合的”有更直观的理解。

本文还有配套的精品资源，点击获取