立项评审通过 创新训练 520计算机科学技术 理论研究-科学技术未定级

Eberhart 和 Kennedy 于 1995 年提出的粒子群优化算法(particle swarm optimization,简称 PSO) 是一种全局优化进化算法,它源于对鸟群和鱼群群体觅食运动行为的模拟。PSO 作为一种并行优化算法,可以用于解决大量非线性、不可微和多峰值的复杂问题优化，并已广泛用于科学和工程领域,如函数优化、神经网络训练、 模式分类和模糊系统控制等领域。 基本粒子群优化算法basic particle swarm optimization（简称bPSO） 首先初始化一群随机粒子，然后通过迭代找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己:个体极值和全局极值。粒子根据上述两个极值更新自己的速度与位置。 为提高PSO的性能和适应性，研究者们提出诸多改进算法。例如，通过动态调整粒子的惯性权重和加速度系数，增强了算法的收敛速度和全局搜索能力的自适应粒子群优化算法（Adaptive PSO, 简称APSO）；结合其他优化算法（如蝴蝶算法、遗传算法、模拟退火、差分进化等）的优势，以提高PSO的性能和解决特定问题的能力的混合粒子群优化算法（Hybrid PSO, 简称HPSO）。常见的改进算法都是基于全局搜索或局部搜索进行，我们希望对全局搜索和局部搜索同时进行改进，并引入其他优化算法（如遗传算法），最终达到提高粒子群优化算法的收敛速度和精度的目的。