随着现代科学的不断发展与进步，粒子群优化算法的应用规模也在不断地扩大。在金属行业，汽车行业，软件行业等等各个领域中，人们都有大量的最优化问题需要处理与分析。对于找到最优的解，我们也有着诸多不同的方法。PSO算法---起源于群体智能算法， 是对这类寻找最优解的一个很好的解决方法。下面会对PSO算法与其扩展算法进行讨论，研究与分析。

1.2    算法的拓展与改进
1.2.1 研究背景
经过许多年的研究，PSO算法发展快速，现在已经在各个领域中都有其身影。它可以应用于对理论问题的研究上，也可以应用在实际的工业操作上。在理论上，它可以对算法群体动态的聚合度、动态的最优值、动态的群体多样性和重心收敛度等评价模式进行了实例仿真和有效性验证。在工业上的应用，其中包括：电气行业，机械行业，化工行业，自动控制行业，机器人行业，通信行业等等。
国内的研究者将对PSO的研究分为2类，一种是有关数学方面的纯理论学术研究，他们研究PSO的收敛性，种群多样性，最优值研究等等，通过学术性的探索，来客服PSO算法的局限性，进一步提高它的应用价值。举最直接的例子，现在我们解决多元函数的最优值求解可以通过PSO算法完美的实现；对于人工神经网络领域，同样也有PSO的身影，应用在分析人体机能的颤抖。人们广为所知的帕金森综合征的原发性颤抖的研究对于PSO来说，是一个极大的挑战；对于电气行业，PSO更是不可缺少的一个核心关键，对于控制连续与离散变量的切换，我们通常应用二进制和实数混合的PSO算法来解决。

1.2.2 PSO算法的改进研究
1.3    发展趋势
1.4     本课题的基本内容
本课题目的是使学生结合学过的信息专业的基本知识和基本技能，在学习混合微粒群优化算法寻优的基本思想,运用MATLAB 完成对混合混合微粒群算法的设计与仿真,并利用标准函数来完成对以上算法性能的比较。
本设计运用MATLAB编程实现微粒群算法。
1 确定问题的表示方案（编码方案）
和其他的进化算法一样，PSO算法在求解问题时，首先应先将问题的解从解空间映射到具体某种结构的表示空间，即用特定的码串表示问题的解。根据问题的特征选择适当的编码方法，将会对算法的性能及求解结果产生直接的影响。
PSO算法的早起研究均集中在数值优化领域中，其标准计算模型适用于具有连续特征的问题函数，因此目前算法大多数采用实数向量的编码方案。用PSO算法求解具有离散特征的问题对象，正是次领域内的一个研究重点。

2 确定优化问题的评价函数
在求解过程中，借助于适应值来评价解的质量。因此在求解问题时，必须根据问题的具体特征，选取合适的目标函数或费用函数来计算适应度。适应度是唯一能够反映并引导优化过程不断进行的参量

3选取控制参数
PSO算法的控制参数，通常包括微粒群的规模（微粒的数目），算法执行的最大代数，惯性系数，认知参数，社会参数及其他一些辅助控制参数等等。针对不同算法模型，选取适当的控制参数，直接影响算法的优化性能。

4 设计微粒的飞行模型
在微粒群算法中，最关键的操作是如何确定微粒的速度。由于微粒是多文向量来进行描述的，故相应的微粒的飞行速度也表示为一个多文向量。在飞行过程中，微粒借助于自身的记忆（Lbest）与社会共享信息（Gbest），沿着每一分量方向动态地调整自己的飞行速度与方向。

5 确定算法的终止准则 MATLAB混合微粒群算法的性能仿真(3):http://www.751com.cn/tongxin/lunwen_34588.html