1．目的及意义

当今，科学技术日益发展，学科间跨学科渗透。但是，对更好的优化技术和智能计算的要求越来越迫切。优化是针对科学，社会，经济和工程领域的问题进行数学优化的技术。 此时，有必要找到适合大规模并行和智能特征的算法。这些算法通常是模拟一些自然现象或过程所提出的启发，具有一定的智能性，称为智能优化算法，优化理论和算法研究是理论意义和价值的重要问题。群智能算法是一类从集群智能行为中提炼出来的优化算法，它具有可扩展性、容错性、自适应性、自治性和并行性的特点。目前，已经有许多优 秀的群智能算法被提出，比如人工免疫算法(AIA)、蚁群算法(ACO)、粒子群算法(PSO)、人工蜂群算法(ABC)、人工鱼群算法等等。这些算法都是通过个体与群体之间的交互影响来达到集 群智能目标的。比如粒子群算法可以看作鸟类的集 群，通过对一群鸟类觅食行为进行模拟，全局最优与个体最优随着位置更新而不断优化，进而得到全局最优解。

PSO是粒子群优化的缩写，是Eberhart和Kennedy于1995年提出的一种基于群体的随机优化技术。粒子群算法模仿昆虫，畜群，羊群和学校鱼类的群体行为，这些群体以协作方式寻找食物，每一个都通过学习自己的经验和其他成员的经验来不断改变其搜索模式。近年来，不少研究人员对PSO算法进行研究和改进。史玉辉提出了一种改进的惯性权重粒子群优化算法。惯性重量与模拟退火温度相似。惯性权重越大，全局收敛能力越好，惯性权重越小，局部收敛能力越强。因此，随着迭代次数的增加，惯性权重应不断减小，使得PSO在初期具有较强的全局收敛能力，后期具有较强的局部收敛性。Clerc在他的研究中，提出了收缩因子的概念，它描述了一种选择合适的系数值以确保算法收敛的方法。然而，在某些测试函数中，收缩因子迭代次数的PSO不能达到全局最大值。Angeline提出了一种混合粒子群算法。粒子群中的粒子被赋予交叉概率。该交叉概率由用户确定并且与粒子的适应值无关。在每次迭代中，基于杂交概率将特定数量的粒子挑入池中。池中的粒子随机相互杂交两次以产生相同数量的子代，并用子代粒子代替母粒子，以保持种群的种群不变。繁殖操作降低了单峰函数的收敛速度，运营商的PSO效率低于平均PSO。但是对于具有多个局部最小值的函数，情况正好相反。

通过了解群智能算法中的PSO算法的原理以及相关知识，在原有基础上对其在收敛速度太快，存在着种群粒子局部随机性较差，容易陷入局部最优的缺陷进行优化改进，从而应用于实际中，取得更优的优化结果。{title}

2. 研究的基本内容与方案

{title}

研究的基本内容：

1.理解并掌握PSO算法的相关理论和演化机理；

2.查阅并掌握相关的群智能算法协作策略，如标准磷虾算法（KH）相关的研究；

3.分析PSO算法中粒子更新方式存在的局限性，并针对这些局限性探讨一种新的协作策略。

4.选择合适的测试函数对改进的PSO算法进行测试；

5.对比传统的PSO算法以及其他群智能算法如KH算法，验证新算法的效果。

目标：

1.查阅不少于15篇的相关资料，其中英文文献不少于3篇，完成不少于5000字的英文文献翻译工作，学习并了解PSO算法的相关知识；