， ，

(1.太原理工大学 信息与工程学院，山西 太原 030024; 2.太原理工大学 电气与动力工程学院，山西 太原 030024)

0 引 言

粒子群优化(PSO)算法[1～3]是由美国社会心理学家Kennedy J和电气工程师 Eberhart R C于1995年共同提出的一种新的全局优化算法，起源于自然界鸟类和鱼群的社会性行为的模拟。由于概念简单、参数少、易于实现等优点，PSO算法一经提出便引起了广泛的关注，应用于许多科学和实际工程领域[4～9]。

研究表明，PSO算法的搜索过程中存在“走弯路”现象，因此，会导致收敛速度慢，甚至不收敛。针对该缺点，在前人研究的基础上，提出一种基于纠错机制的粒子群优化(MPSO)算法。该算法通过建立一种简单的纠错机制对粒子每一步的进化方向进行判断，如果出现倒退现象，则使粒子向完全相反的方向前进，这样不仅降低了粒子在进化过程中出错的概率，同时也保持了PSO算法的多样性，从而有效地提高了PSO算法的收敛速度和搜索能力。

1 标准PSO概述

PSO算法中，每个粒子都被理解为解空间的一个解，通过事先设定的一个适应度函数来确定粒子的好坏。每个粒子将由一个速度变量来决定其在相应解空间中的飞行方向和距离。根据粒子本身的最优位置和群体找到的最优位置来动态调整自身的飞行方向和速度，通过粒子间的相互作用使其飞向最优粒子。

标准PSO算法[10]先对一群随机粒子初始化，在n维搜索空间中，由m个粒子组成的一个种群表示为X=(x1,x2,…,xm)。其中,第i个粒子的位置为Xi=(xi1,xi2,…,xin)，速度为Vi=(vi1,vi2,…,vin)，自身最优位置为Pi=(pi1,pi2,…,pin)，全局最优位置表示为Pg=(pg1,pg2,…,pgn)。……