刘志勇，王小红

(1.咸阳职业技术学院,陕西 咸阳 712000;2.陕西省委党校,陕西 西安 710061)

0 引言

粒子群优化算法PSO (particle swarm optimization)是1995年由Eberhart和Konnedy提出的一种模拟鸟类觅食行为的优化算法[1]，该方法是以群体智能为基础，通过群体中不同个体之间的相互影响与协作，基于数学迭代方法来进行全局最优解的求解。与其他优化算法相比较，粒子群算法具有实现简单，算法收敛快，逼近能力强，而且算法精度高等特点。因此粒子群算法成为众多科研工作者研究的热点。经过多年研究，对粒子群优化算法的研究应用领域已经涉及到函数优化[2-3]、模糊系统控制[4-5]以及其他遗传算法[6-7]等。近年来，基于如何处理好控制系统解的可行性,有学者将PSO算法应用于控制系统的约束优化问题。但是，在实际工程应用中，如果对控制系统中约束条件处理不够恰当,往往会出现优化结果不收敛，或者优化结果是空集的现象。造成该结果的因素是由于粒子群算法是以数学迭代为基础的优化算法，而在算法优化的起始阶段，优化系统会随机初始化1组初始解，其次，粒子会根据一定的迭代和优化规则进行最优粒子参数更新，直至得到粒子的全局最优。而群中粒子在进行各自寻优过程中，由于没有粒子的交叉和变异，粒子寻优的整个优化过程是随机的，单个粒子在移动的过程中没有一定的方向性，进而影响了整个系统的收敛速度和精度。

本文通过引入交叉权重因子和粒子个体运动速度权值，设计了一种变权值粒子群算法，并将其应用于小波神经网络控制器，以验证该算法的有效性。……