1. 研究目的与意义（文献综述）

1.1 研究目的及意义

粒子群算法（particle swarm optimization），缩写为pso，1995年由肯尼迪（kennedy）与埃伯哈特（eberhart）两位学者所提出。他们发明pso灵感来源于对鸟群捕食行为的研究，粒子群算法的理论基础是把每一只鸟看作为一个粒子，并赋予该粒子（个体）记忆性，并能通过与粒子群体中的其他粒子之间的通信而寻求到最适解。目前，粒子群算法在函数优化，神经网络训练，模糊系统控制，组合优化入侵检测，以及决策调度等多个领域得到广泛的应用。粒子群算法有较强的全局搜索能力，但也容易陷入局部极值导致早熟。

旅行商问题（travelling salesman problem），英文缩写为tsp，是数学领域中著名问题之一，也是一个典型的np完全问题。问题描述为：假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。目前解决旅行商问题的主要算法有：蚁群算法，免疫算法，遗传算法等等。

2. 研究的基本内容与方案

粒子群算法首先初始化一群随机粒子，这些初始化的粒子都是空间搜索的潜在解，并且每个粒子都有一个被优化函数决定的适应值，每个粒子还有一个速度决定它们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。粒子通过跟踪两个极值来更新自己，第一个就是粒子本身所找到的最优解，这个解称为个体极值，另一个极值是整个种群目前找到的最优解，这个极值是全局极值。粒子群算法的流程图如下图所示。

图1 粒子群算法流程图

3. 研究计划与安排

第1－3周：搜集资料，撰写开题报告。

第4－5周：论文开题。

第6－12周：撰写论文初稿。

4. 参考文献（12篇以上）

[1] camelia-m. pintea ; simone a. ludwig ; gloria cerasela crisan. adaptability of a discrete pso algorithm applied to the traveling salesman problem with fuzzy data[c] .2015 ieee international conference on fuzzy systems (fuzz-ieee). 1-6

[2] ishita dubey ; manish gupta. uniform mutation and spv rule based optimized pso algorithm for tsp problem[c]. 2017 4^th international conference on electronics and communication systems (icecs). 168 –172

[3] vaisakh shaj ; p m akhil ; s asharaf. edge-pso: a recombination operator based pso algorithm for solving tsp[c].2016 international conference on advances in computing, communications and informatics (icacci). 35 – 41