粒子群优化算法(PSO)是近年来被广为关注和研究的一种基于群体智能的仿生优化算法,是进化算法领域中的一个新的分支。它来源于对鸟群或鱼群捕食行为的模拟。由于算法收敛的速度快、设置参数少、实现简单,近年来受到学术界的广泛重视。现在,PSO算法已在函数优化、神经网络训练、模式分类、模糊系统控制以及其它工程领域都得到了广泛的应用。由于PSO算法发展的时间较短,还存在许多问题有待于解决,例如对于算法的参数选择、容易出现早熟收敛、与其它优化算法的融合、拓扑结构的分析以及算法的数学基础相对较为薄弱,目前还缺乏深刻且具有普遍意义的理论分析等。本人在前人研究的基础上对PSO算法进行了一些改进,主要研究工作如下： 1)系统的阐述了PSO算法的原理、算法流程和粒子的信息交换方式,对国内外学者关于PSO算法的各种研究成果进行了分类总结,对PSO算法中的参数和收敛性进行了分析,并简要的概括了PSO算法的一些应用,同时将PSO算法与蚁群算法、鱼群算法这两种基于群体智能的仿生优化算法的异同点进行了比较。 2)针对基本PSO算法在求解高维、多峰函数时容易陷入局部最优、搜索精度不高等缺点,提出了几种改进的PSO算法,主要是将PSO算法与遗传算法、差异演化算法等优化算法的结合。通过对一些标准测试函数在全局最优解位于搜索区域不同位置时进行的仿真试验表明了改进后算法的有效性。 3)通过引入“少数服从多数”原则对二进制PSO算法进行了改进,给出了改进算法的伪代码。对一些标准测试函数和55个多维背包问题进行仿真试验,取得了比Kennedy等人提出的二进制PSO算法好的效果,表明了改进后算法的有效性。