11.2　全局模式与局部模式

Kennedy等在对鸟群觅食的观察中发现，每只鸟并不总是能看到鸟群中其他所有鸟的位置和运动方向，而往往只是看到相邻的鸟的位置和运动方向。由此而提出了两种粒子群算法模式即全局模式（Global Version PSO）和局部模式（Local Version PSO）。

全局模式是指每个粒子的运动轨迹受粒子群中所有粒子的状态影响，粒子追寻两个极值即自身极值和种群全局极值。前述算法的粒子更新公式就是全局模式。而在局部模式中，粒子的轨迹只受自身的认知和邻近的粒子状态的影响，而不被所有粒子的状态所影响。粒子除了追寻自身极值p_id外，不是追随全局极值p_gd，而是追随邻粒子当中的局部极值p_nd。在该模式中，每个粒子需记录自己及其邻居的最优解，而不需要追寻粒子当中的局部极值，此时，速度更新过程可用下式表示：

v_id＝wv_id（t）＋η₁rand（）［p_id－z_id（t）］＋η₂rand（）［p_nd－z_id（t）］

z_id（t＋1）＝z_id（t）＋v_id（t＋1）

全局模式具有较快的收敛速度，但是鲁棒性较差；相反，局部模式具有较高的鲁棒性，而收敛速度相对较慢。因而在运用粒子群算法解决不同的优化问题时，应针对具体情况采用相应模式。