摘    要：在现有文献研究的基础上，首先阐述标准粒子群优化算法的基本原理，并对它加以分析，指出标准粒子群优化算法初始粒子种群的产生速度慢、在优化过程中容易陷入局部****等缺点，然后对其缺点进行改进，将改进的粒子群优化算法和标准粒子群优化算法进行实验对比分析研究，从实验结果中可知，改进粒子群优化算法在收敛速度及收敛精度上都明显好于标准粒子群优化方法。

关键词：粒子群优化算法；变异；收敛速度

中图分类号：tp 27    文献标识码：a

    粒子群优化算法由kennedv和fberhan于1995年提出的一种新的全局优化进化算法，其基本概念源于对鸟类捕食行为的模拟与遗传算法和蚁群算法相类似，pso算法也是一种基于群集智能的演化计算技术，作为一种高效的优化方法，该算法近年来已引起了优化及演化计算等领域的学者们的广泛关注。粒子群优化算法与其他的进化算法相比，粒子群优化算法简单通用、调整参数少、容易实现，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，非常适于对复杂环境中的优化问题的求解。虽然粒子群优化算法存在着许多优点，同时也存在着易陷入局部****，进化后期收敛速度慢，精度较差等缺点。为了克服粒子群优化算法的这些缺点，研究人员提出了许多改迸的粒子群算法，如李季等提出的交叉粒子群算法，吕振肃等提出的自适应变异的粒子群优化算法，高鹰等提出的免疫粒子群算法等，这些算法从不同方面对粒子群优化算法进行了改进，不同程度地提高了算法的收敛速度和精度。本文对标准粒子群算法的缺点进行了改进，提出了一种新的改进粒子群优化算法。

并将改进的pso算法与标准pso算法进行实验对比分析，从实验结果上可以看出，改进的pso算法能够取得较好的优化性能，全局收敛眭得到显著提高。

    与其他进化算法相类似，pso算法也将通过个体间的协作与竞争，实现复杂空间中****解的搜索。pso首先生成初始种群，即在可行解空间中随机初始化一群粒子，每个粒子都为优化问题的一个解，并由目标函数为之确定一个适应值。每个粒子将在解空间中运动，并由一个速度决定其方向和距离。通常粒子将追随当前的****粒子而动，并经逐代搜索，最后得到****解。在每一代中，粒子将跟踪两个极值，一个为粒子本身迄今找到的****解，代表粒子自身的认知水平；另一个为全种群迄今找到的****解，代表社会认知水平。

    设搜索空间为m维（指决策变量个数），粒子种群中粒子数为n。按追随当前****粒子的原理，粒子x。将按式改变速度和位置：

    更新过程中，粒子每一维的速度均被限制在[ -vmax，vmax]内，每一维的位置亦被限制在一定范围[ -xmax，xmax]内。算法具体流程与一般进化算法相似，经过初始化、适应度计算、新的粒子的产生、停止准则判断等步骤，最终得到符合条件的解。

  1)改进初始粒子群的产生一般情况下，标准粒子群优化算法的初始种群粒子都是通过随机产生的，对于没有约束的优化问题，初始粒子种群的产主不会消耗大量的时间，而对于有约束条件下的优化问题，如果还采用随机产生，很难产生到满足约束条件的初始粒子，所以在初始种群产生的过程中将消耗大量的时间，为了解决快速产生初始粒子群，本文采用以下方式进行产生。

    设决策变量个数为m，初始粒子种群规模为n，ak和bk分别为设计变量邑的取值下限和上限，xi（o)为第i个初始粒子：

    先随机产生一个初始可行粒子x1(o)，若该粒子为可行域界点，则重新产生，直至产生的初始可行粒子x1(0)为可行域的内点为止。于是可按下式随机产生一个初始粒子x2(o)：

    按式(4)，式(5)产生的粒子x2 (0)需检验是否满足约束条件，