闫群民，马瑞卿，马永翔，王俊杰

(1．西北工业大学 自动化学院，陕西 西安 710072；2.陕西省工业自动化重点实验室，陕西 汉中 723001 ；3.陕西理工大学 电气工程学院，陕西 汉中 723001)

自然界中的生物均具有一定程度的群体行为。在计算机中建模分析这些行为是人工生命研究的一个重要方面，其背后隐藏的规律将对人类的生活产生很大的启发。粒子群算法(Particle Swarm Optimization，PSO)[1]是KENNEDY博士和EBERHART教授通过对鸟群觅食模型进行改进所提出的。因为粒子群算法需设置的参数少且计算结构简单，目前已经广泛地应用在实际工程中，如多目标控制、神经网络研究、复杂多峰值优化求解问题等。众多的学者针对粒子群算法早熟和收敛速度慢等问题，做了大量的优化研究，主要可以分为3个方向：(1) 最早出现的是针对粒子群算法自身迭代策略的改进，将原本固定不变的学习因子和惯性权重系数改进，为其设置随着迭代次数线性或非线性动态变化的调整策略[2-6]。在搜索的初期、中期及末期等阶段有着不同的搜索重点，为达到平衡全局和局部搜索能力的要求，在保证搜索精度的情况下提升搜索速度。文献[6]中针对不同的迭代策略进行对比，经过仿真证明在初始权值和最终权值相同的情况下，正弦函数递减策略优于线性策略，而线性策略优于正切函数策略。(2) 将粒子群算法的优势和其他优化算法进行融合，结合其他算法的优势来改进粒子群算法[7-8]。文献[8]将牛顿最速下降因子引入粒子群算法中，提高了粒子群体的全局收敛性和收敛速度，克服了这种算法易“早熟”的缺点。……