2015.3数据通倌粒子群算法研究进展邢晓溪(国网北京市电力公司物资分公司北京100054)摘要：粒子群算法(PSO)是一种仿鸟群食行为的智能化算法，是目前解决组合化的重要工具之一。为了扩展粒子群算法在工程实际中的应用范围，有助干针对工程应用行算法选择，本文讨论了粒子群算法理论基础，述了该算法的实现步骤与特点，并分析讨论了几种典型粒子群算法的算方法与特点，即交粒子群算法(HPSO)、离散二制粒子群算法(BPSO与DPSO)、同粒子群算法(CPSO)及免疫粒子群算法(IM-PSO)。最后，根据粒子群算法的研究现状，展望了该算法所面的挑与一步研究方向。关键词：粒子群算法；交粒子群算法；同粒子群算法;免疫粒子群算法屮图分类号：TP18文献标志码：A1引言粒子群算法(PS0)由美国心理学家Kennedy与电气工程师Eberhart[1]首次提出，该党法源于针对鸟群捕食行为的研宂，通过模拟鸟群捕食过程屮相互协作从而找到最优路径的行为以获取最优解。目前，该算法已被广泛应用于各个工业领域。其中，最具备实际应用价值的领域主要包含物资运输的路径选择、多目标问题的优化求解模式识别、决策与模拟等。虽然已经有大量文献针对粒子群算法进行了一定的研宂，但是，在理论与实践屮该算法均尚未成熟，需要进行改进。PS0算法[2][3]主要解决自身与种群位置最佳的求解问题，具备收敛速度好的优点，但是，容易出现局部收敛的情况从而影响最终求解。杂交PS0算法(IIPSO)W结合了进化计算，提髙了PS0算法的收敛速度并在一定程度上保证了全局最优的获得。离散PS0算法(BPS0与DPSO)[5][6][7]有效解决了针对二进制问题优化求解的困难。协同PS0算法(CPSO)将搜索空间进行分割，以达到使每个粒子群具备独立进行粒子更新的能力，降低了对其他粒子群的依赖性。为了提高粒子群的记忆，避免重复工作，提出了免疫记忆粒子群优化算法[9](IM-PS0),该算法具备较高的收敛速度与精度。本文首先介绍了PS0算法的基本原理，然后基于粒子群算法的改进过程，给出了各种改进粒子群算法的理论分析，阐述其算法特点，最后，讨论了粒子群算法的实际工程价值与发展前景。2粒子群算法的理论基础1995年，美国心理学家Kennedy与电7气工程师Eberhart首次提出用于解决最优化问题的粒子群算法，该算法基于鸟类捕食的模型，模仿鸟群获取最桂捕食路径的方法以在实际工程屮计算最优值。2.1基本原理基于对鸟类捕食行为的模拟，PS0筇法可以计算出多个粒子共存及合作最优的路径最优解。粒子本身在飞行过程中所获取的最好位置被记作个体最优解(pBest)，整个粒子群所获得的最优位置可以记作全局最优解(gBest)，用D维速度％=(外，外，...，他)与位買Pr(Pu,Pi2,...,piD)进行粒子状态的表示，通过针对自身速度与位置进行状态更新，可以产生新一代群体。?1994-2015ChinaAcademicJournalElectronicPublishingHouse.Allrightsreserved,http://www.cnki.netk+1kkkkkkkVid^Vjd+C!r1dx(pBestid-Pid)+c2r2d(gBestd-pid)%%(1)kkkpid=Pd+vid%%%%%%%%%%%(2)艽中，。表示惯性权值，C1、c2为表示学习因子的常数，r1d、r2d为［0,1］中的随机数,k表示迭代次数。根裾文献［10］,当w=0.729，d=c2=1.494时，算法收敛性较好。2.2算法流程步骤1:对粒子群进行初始化，同时随机初始化各粒子；步骤2:基于适应度函数，进行各粒子适应度值计算；步骤3:针对粒子进行当前适应度值与历史S优适应度值比较，同吋进行历史最优值替代；步骤4:针对粒子进行当前适应度与种群历史最优位置适应度值比较，并进行历史最优值替换；步骤5:使用方程(1)与(2)进行计算；步骤6：如果获得最优值，则结朿，否则跳转步骤2。2.3算法特点粒子群算法具备以下优点：(1)设置参数较少；(2)易于理解与描述；(3)收敛速度较好；(4)实现较易。该算法同吋具有如下缺点：(1)容易瞄入局部最优；(2)收敛精度不高；(3)后期收敛速度较慢。3粒子群算法模型经典粒子群算法虽然具备一定的优点，适用于一定的工程实践领域，但是，该算法同吋具备-些改进空间。3.1杂交PSO算法结合PS0算法与进化计算，八叩011恥111］提出了杂交PS0算法。该算法屮，每个粒子的适应度值与其他粒子的适应度值进行比较，同时记录最差的一个，将粒子群按照适...