吴 海，孙永雄，韩 伟，厉延民

（吉林大学a.长春电信工程股份有限公司;b.计算机科学与技术学院;c.长邮通讯建设有限公司，长春 130012）

0 引 言

1995 年美国电气工程师Eberhart和社会心理学家Kenndy基于鸟群觅食行为提出了粒子群优化算法（PSO：Particle Swarm Optimization），简称粒子群算法[1]。由于该算法概念简明、实现方便、收敛速度快、参数设置少，是一种高效的搜索算法。

PSO是模拟鸟群捕食行为的一种群智能算法。通过假设在搜索食物区域里只有一块食物，所有小鸟都不知道食物在什么地方，小鸟之间通过互相交换信息，估计自身的适应度，判断它们当前的位置离食物的距离，所以搜索目前离食物最近的鸟的周围区域是找到食物的最简单有效的办法，通过鸟之间的集体协作使群体达到最优。PSO就是从这种模型中得到启示并用于解决优化问题的。在PSO中每个优化问题的潜在解都可以想象成搜索空间中的一只鸟，称为“粒子”。粒子主要追随当前的最优粒子在解空间中搜索，PSO初始化为一群随机粒子（随机解），然后通过迭代找到最优解。在每次迭代中，粒子通过跟踪两个“极值”更新自己：1）粒子本身所找到的最优解，称为个体极值pbest;2）整个种群目前找到的最优解，称为全局极值gbest。这两个最优变量使鸟在某种程度上朝着这些方向靠近，此外也可以不用整个种群而只用其中一部分作为粒子的邻居，则所有邻居的极值就是局部极值，粒子始终跟随这两个极值变更自己的位置和速度，直到找到最优解[2，3]。……