论文摘要
自上世纪80年代以来,智能优化算法(如人工神经网络、遗传算法等)通过模拟或揭示某些自然现象和过程而发展起来,为优化理论提供了新的思路和手段。粒子群优化算法(PSO算法)源于鸟群和鱼群群体运动行为的研究,是一种基于种群搜索策略的自适应随机算法,是进化计算领域中的一个新的分支。它的主要特点是简单、收敛速度较快、没有很多参数需要调整,且不需要梯度信息,在工程实践中表现出巨大潜力,现已广泛应用于函数优化、神经网络、模糊系统控制、模式识别等多个领域。与其他进化算法类似,粒子群算法也需要一个群体,每个个体称之为粒子。粒子通过自身和群体的最优位置来更新其位移和速度,从而在解空间移动。但是,粒子群优化算法仍存在易陷入局部最小、且搜索精度不高等缺点。本文从PSO算法的基本原理、参数选取、边界条件、社会行为分析、混合算法及应用、国内外研究的现状与进展等方面做了较为系统的论述,对混沌理论,模拟退火算法和郭涛算法,都作了简单介绍。通过对PSO算法细致的研究,在算法的初期,引入了混沌理论,优化初始种群;在粒子更新过程中,采用混沌变异产生子群与模拟退火两种策略,引导粒子更新;针对粒子群算法易陷入最优的缺点,在算法中融合郭涛算法思想,通过子空间随机产生粒子,丰富了粒子的多样性,避免了粒子群的早熟收敛。实验结果表明,新算法不仅具有更好的收敛精度和更快的收敛速度,而且能更有效地进行全局搜索,在求解多峰函数最优解的问题中,也有很好的性能。