谢佑波 陈正义

（海军指挥学院 南京 210016）

1 引言

粒子群优化（PSO）算法是由Kennedy和Eber⁃hart在1995年首次提出的一种基于群智能的优化算法，是对鸟类觅食的社会行为的模拟。PSO算法的核心思想是，从一组随机解出发，通过追随当前搜索到的“群体最优解”和“个体最优解”来寻找全局最优解，并用合适的适应度函数来评价。该算法不需要待优化函数有可导、可微等要求，很容易在计算机上实现。另外PSO算法操作简单、涉及参数少、收敛速度快，且无需过多的初始信息也能得到较优的结果。因此，PSO算法的应用越来越广，比如函数优化、神经网络训练、模糊系统控制、求解大规模组合优化问题以及遗传算法所应用的各个领域，都能用到PSO算法。本文提出一种数据链的基于最小调度抖动的混合时隙分配方式，在为节点的固定报文需求分配时隙时，利用了加入遗传思想的PSO算法来求解，以保证数据链网络的调度抖动最小，并进行仿真实验验证了该算法的可行性。

2 粒子群优化算法基本原理

粒子群优化算法源于对鸟类觅食过程的研究：一群鸟在固定的区域内觅食，群内个体并不知道食物具体的位置，但是它们知道当前位置和之前经历过的最好位置哪个离食物所在的位置更近，并且能通过群体的信息传递得知哪只鸟离食物最近，每只鸟就根据自身经历过的最好位置以及群体中离食物最近的鸟的指引，不断地调整飞行方向，逐渐向食物所在地靠近，最终群内所有鸟都能在食物附近聚拢［1］。……