魏晓艳

摘 要： 粒子群优化算法（Particle Swarm Optimization，PSO）是一种高效、动态的优化算法，该算法比较容易实现，也无需调整太多的参数；然而算法后期收敛速度慢，最主要的是易陷入局部极值，为了改善这些缺点，学者们纷纷提出了许多改进的算法，并将其已经应用于科学和工程等多个领域。本文主要是在基本PSO的基础上进行改进，提出了一种新的改进算法—LPSO。最后通过仿真实验证实，改进后的算法在收敛速度和收敛精度上都得到了很大提高。

关键词：粒子群 自适应 早熟收敛 交叉操作

中图分类号： TP301.6 文献标识码：A 文章编号1672-3791（2015）06（a）-0000-00

Research on improved algorithm of particle swarm optimization

WEI Xiaoyan

（School of Engineering， Xi'an Siyuan University， Xian 710038，china）

Abstract： Basic PSO is an efficient and dynamic optimization algorithm， it is easy to achieve and don't need too much parameters adjustment； however， it has slow convergence， easily failing to local extreme values， in order to improve these disadvantages， some scholars have put forward a lot of improved PSO. In this paper， we introduce an improved PSO， and then prove it effective .

Key words： PSO； adaptation； Local convergence； crossover operation；

1 引言

在现实生活中，无论从事什么样的职业，都会遇到优化问题。随着科技的不断发展、世界的不断变化，早前一些静态的、传统的方法，如单纯形法、共轭梯度法、模式搜索法以及牛顿法等，已经不能够很好的处理一些复杂的问题，于是动态的、高效的粒子群算法（PSO）便成为了众多学者研究的热点【1】。

基本PSO算法虽然比较简单，实现相对容易，不需要调整太多的参数，同时算法的早期收敛速度也比较快；但算法后期会受到随机振荡现象的影响，导致算法搜索到全局最优解的时间比较长，减慢

了收敛速度；并且在一定程度上使其局部搜索能力表现较差，极易陷入局部最小值，精度降低，易发

散【2】。针对基本粒子群算法的收敛精度问题，本文提出了一种新的改进粒子群优化算法—LPSO。

2 改进PSO算法研究

2.1 基本PSO算法

随机初始一群粒子，每个粒子均不包括体积和质量信息，将每个粒子都看作为优化过程中的一个可行解，粒子的好坏通过一个事先设定好的适应度函数来进行确定。……