1. 研究目的与意义（文献综述）

1.1目的及意义

粒子群算法 (pso) 的基本思想是随机初始化一群没有体积没有质量的粒子, 将每个粒子视为优化问题的一个可行解, 粒子的好坏由一个事先设定的适应度函数来确定每个粒子将在可行解空间中运动, 并由一个速度变量决定其方向和距离。通常粒子将追随当前的最优粒子, 并经逐代搜索最后得到最优解。在每一代中, 粒子将跟踪两个极值:一个是粒子本身迄今为止找到的最优解, 每个粒子将在可行解空间中运动, 并由一个速度变量决定其方向和距离。通常粒子将追随当前的最优粒子, 并经逐代搜索最后得到最优解。在每一代中, 粒子将跟踪两个极值:一个是粒子本身迄今为止找到的最优解, 另一个是整个群体迄今为止找到的最优解。

应用pso算法优化bp神经网络, 将网络中需调整的权值及待确定的偏差组成的矢量看作粒子, 通过粒子间的竞争与合作进行网络学习，避免大量梯度运算, 提高算法执行效率, 有效改进网络的收敛速度及学习效率等方面。

2. 研究的基本内容与方案

2.1基本内容：

对基本的粒子群算法进行一定的改进，通过引入非线性回归函数来提高生成的解的质量，同时也可以通过调整粒子的惯性权重的值来提高算法的搜索能力。在此之上应用此算法对神经网络进行优化，期望能够同时对网络大小以及网络参数进行优化。并用神经网络实现函数逼近，非线性系统的预测等，来探究具体的优化效果。

3. 研究计划与安排

第1-2周：查阅资料，对国内外状况调研，完成开题报告；

第3-4周：探究基本的粒子群算法及其变种；

第5-7周：探究神经网络基本原理并研究其可以改进的部分；

4. 参考文献（12篇以上）

[1] han,h.g., lu,w., hou, y.,amp; qiao, j. f.(2018). anadaptive-pso-based self-organizing rbf neural network.ieee transactions onneural networks and learning systems, 29(1), 104-117.

[2] m. taherkhani and r. safabakhsh, “a novelstability-based adaptive inertia weight for particle swarm optimization,” appl.soft comput., vol. 38, pp. 281–295, jan. 2016.

[3] gong, y. j., zhang, j., amp; zhou, y.(2018).learning multimodal parameters: a bare-bones niching differential evolutionapproach. ieee transactions on neural networks and learning systems, 29(7),2944-2959.