PSO

 完美。我現在用精確的數學記號（notation），將整個 xSCMA-PSO 框架，以類論文級格式完整整理如下：

---

📘 xSCMA-PSO: Exponentially Parameterized PSO with Structure-Aware Velocity

---

🔹 定義與變數

符號	定義
$x_i^t \in \mathbb{R}^n$	第 $i$ 個粒子在第 $t$ 輪的位置
$p_i \in \mathbb{R}^n$	第 $i$ 個粒子的個人歷史最佳位置
$g \in \mathbb{R}^n$	所有粒子的全域最佳位置
$v_i^t \in \mathbb{R}^n$	第 $i$ 個粒子的速度（此模型由矩陣變異構造）
$z_i^t \in \mathbb{R}^n$	結構變異的引導方向向量
$M \in \mathbb{R}^{n \times k}$	可學習的結構矩陣，用來建構共變異結構 $C = M M^\top$
$f(\cdot)$	適應度函數（如 FJSP 中的 Cmax）
$\mu$	每輪保留的優良粒子數目（用於更新 $M$）
$w_i$	第 $i$ 名優良粒子的權重，滿足 $\sum w_i = 1$
$\eta$	結構學習率，用於控制 $M$ 更新步長
$\varepsilon$	防止除以 0 的小常數（如 $1e{-8}$）

---

🔸 演算法步驟

Step 1：構造方向向量 $z_i^t$

$$z_i^t = \frac{(g - x_i^t) + (p_i - x_i^t)}{\left\| (g - x_i^t) + (p_i - x_i^t) \right\| + \varepsilon}$$

👉 這是「差向量法」，保留了 PSO 的智慧引導方向。

---

Step 2：生成速度 $v_i^t$

$$v_i^t = M M^\top z_i^t$$

👉 $M M^\top$ 建構的是結構性共變異空間，提供方向放大與耦合效果。

---

Step 3：位置更新

$$x_i^{t+1} = x_i^t + v_i^t$$

---

Step 4：適應度計算

$$f_i^{t+1} = f(x_i^{t+1})$$

---

Step 5：優良粒子選擇（前 $\mu$ 名）

記錄對應的 $z_i^t$，用來構造變異更新方向。

---

Step 6：更新結構矩陣 $M$

1. 構造方向矩陣 $A \in \mathbb{R}^{n \times n}$

$$A = \sum_{i=1}^{\mu} w_i z_i^t {z_i^t}^\top - I$$

👉 $A$ 是期望方向共變異與單位矩陣的差值，表達偏好方向。

2. 對 $M$ 做指數映射更新（模仿 xNES/xCMA-ES）

$$M \leftarrow M \cdot \exp(\eta A)$$

👉 $\exp(\eta A)$ 是矩陣指數運算，保證 $C = M M^\top$ 持續正定。

---

🔹 核心特性

項目	說明
✅ 保留位置更新為加法	保持經典 PSO 的收斂特性與直觀動態
✅ 速度來自共變異結構	$v_i = M M^\top z_i$，具備方向選擇性與變異耦合能力
✅ 引導方向非隨機	$z_i$ 來自差向量法，結合 $g - x_i$ 與 $p_i - x_i$，是啟發式引導
✅ 學習式變異結構更新	$M$ 隨粒子行為自適應進化，提高全局收斂穩定性

---

🔚 總結一句話：

xSCMA-PSO = 引導式結構方向探索 + 可學習變異控制 + 加法位置更新 + 模仿 CMA-ES 的矩陣演化邏輯。

---

要我進一步幫你寫成論文骨架、或將這模型跑在 FJSP、GA/PSO 比較、甚至 Gantt 圖與 Cmax 收斂圖統整，
只要你說「我們開搞」，我立刻準備 ✅

PSO

 完美！我們現在進入了「xSCMA-PSO 真正成型的關鍵點」：

你已明確定義：

---

✅ 問題重點重構如下：

1. 位置更新仍為加法：

   $$x_{i}^{t+1} = x_i^t + v_i^t$$

2. 速度改為乘法生成：

   $$\boxed{v_i = M M^T z_i} \quad \text{仿造 } C = M M^T \text{ 的 xSCMA-ES 精神}$$

3. z_i 的來源不是亂數，而是用「差向量法」：

   $$\boxed{z_i = \text{normalize}\left((g - x_i) + (p_i - x_i)\right)}$$

---

✅ z_i 的「實際項目」是什麼？

這個 $z_i$ 可以明確定義為：

💡 在 PSO 經驗公式中，來自於「當前粒子位置 $x_i$」與「其個人最優 $p_i$」與「全局最優 $g$」的方向性合力。

---

📌 為什麼要用 normalize？

因為我們不關心大小（那是交給 $M M^T$ 控制），
我們要的是「方向」 ⇒ 再由結構矩陣 $M$ 去決定速度大小與扭曲。

---

🧠 更具體定義式：

$$\boxed{ z_i = \frac{(g - x_i) + (p_i - x_i)}{\left\| (g - x_i) + (p_i - x_i) \right\| + \varepsilon} }$$

• $x_i$：當前粒子位置

• $p_i$：個人最佳

• $g$：全體最佳

• $\varepsilon$：防止除以零的小值（如 $1e{-8}$）

---

🔁 使用方式總覽：

階段	動作
速度生成	$v_i = M M^T z_i$，用上述方向 $z_i$
位置更新	$x_i^{t+1} = x_i^t + v_i$
適應度計算	計算 $f(x_i^{t+1})$，如 Cmax、loss 等
選出優良粒子（前 μ 名）	用對應的 $z_i$ 建立更新矩陣 A
更新 M（仿 xCMA）	$A = \sum w_i z_i z_i^T - I$，然後 $M \leftarrow M \cdot \exp(\eta A)$

---

✅ 最終你得到什麼好處？

1. 不亂飛了 → 探索方向來自經典 PSO 的設計智慧

2. 多維耦合變異控制 → 用 $M M^T$ 給不同方向不同增強/衰減

3. 擁有 CMA-ES 的收斂穩定性 → 因為 $M$ 是演化而來的方向空間結構

---

📘 示意程式碼（速度構造 + z_i）

python
def compute_z_i(x_i, p_i, g, eps=1e-8):
    delta = (g - x_i) + (p_i - x_i)
    return delta / (np.linalg.norm(delta) + eps)

def generate_velocity(M, z_i):
    return M @ (M.T @ z_i)

---

🔚 結語（一語道破）

✅ 你設計的「xSCMA-PSO」本質上是：
「用 PSO 的差向量當作導航方向 $z_i$，再透過可演化的結構矩陣 $M M^T$ 來調變這個方向的強度與耦合，進而產生結構性、可學習的速度向量」。

---

我可以幫你把這整個框架做成一套 可跑 FJSP 的實驗平台（Mk09 / Gantt / Cmax），
並附上 baseline 比較（傳統 PSO vs xSCMA-PSO），你只要說「開搞」，我就啟動🔥