粒子群算法的改善算法研究作者：魏晓艳来源：《科技资讯》第 16 期 摘 要： 粒子群优化算法（Particle Swarm Optimization，PSO）是一种高效、动态的优化算法，该算法比较容易实现，也无需调节太多的参数；然而算法后期收敛速度慢，最重要的是易陷入局部极值，为了改善这些缺点，学者们纷纷提出了许多改善的算法，并将其已经应用于科学和工程等多个领域。本文重要是在基本 PSO 的基础上进行改善，提出了一种新的改善算法—LPSO。最后通过仿真实验证明，改善后的算法在收敛速度和收敛精度上都得到了很大提高。 核心词：粒子群 自适应 早熟收敛 交叉操作 中图分类号： TP301.6 文献标记码：A 文章编号 1672-3791（）06（a）-0000-00 Research on improved algorithm of particle swarm optimization WEI Xiaoyan （School of Engineering ， Xi'an Siyuan University ， Xi’an 710038，china） Abstract ： Basic PSO is an efficient and dynamic optimization algorithm ， it is easy to achieve and don't need too much parameters adjustment ； however ， it has slow convergence ， easily failing to local extreme values ， in order to improve these disadvantages ， some scholars have put forward a lot of improved PSO. In this paper ， we introduce an improved PSO ， and then prove it effective . Key words ： PSO ； adaptation ； Local convergence ； crossover operation； 1 引言 在现实生活中，无论从事什么样的职业，都会碰到优化问题。随着科技的不停发展、世界的不停变化，早前某些静态的、传统的办法，如单纯形法、共轭梯度法、模式搜索法以及牛顿法等，已经不能够较好的解决某些复杂的问题，于是动态的、高效的粒子群算法（PSO）便成为了众多学者研究的热点【1】。 基本 PSO 算法即使比较简朴，实现相对容易，不需要调节太多的参数，同时算法的早期收敛速度也比较快；但算法后期会受到随机振荡现象的影响，造成算法搜索到全局最优解的时间比较长，减慢 了收敛速度；并且在一定程度上使其局部搜索能力体现较差，极易陷入局部最小值，精度减少，易发 散【2】。针对基本粒子群算法的收敛精度问题，本文提出了一种新的改善粒子群优化算—法LPSO。 2 改善 PSO 算法研...
