- 上一篇：GPS控制网设计与数据处理
- 下一篇：基于MATLAB的数字调制在信道中的性能仿真研究+程序
20世纪90年代初，从自然界的很多优化现象中得到启示，人们研究开发了模拟自然界生物的群体行为来构造的随机进化算法(Evolutionary Algorithm，简称EA)，如遗传算法(Genetic Algorithm，简称GA)及其群体智能算(Swarm IntelligenceAlgorithm)llJ来进行寻优求解。群体智能的概念正是源于对模拟自然界生物(蜜蜂、蚂蚁、鸟类)等群居生物群体行为的观察和研究，通常将这种模拟群居性生物中的集体智能行为的智能计算或优化方法称为群体智能。群体智能典型的方法有M．Dorigo提出的蚁群算法(Ant Colony Algorithm)与J．Kennedy与R．Eberthart提出的粒子群算法(Particle Swarm Optimization)。
粒子群算法从正式提出到今天，仅有十多年的时间，这期间该算法有了质的发展，但是还有很多不足的地方。首先，粒子群算法主要适用于连续空间函数的优化问题。如何将其应用到离散空间优化问题，特别是一类非数值优化问题，将是我们需要在未来研究的。其次，微粒群算法没有给出收敛性、收敛速度估计等方面的数学证明。第三，微粒群算法与其他类进化算法的比较研究。再次，利用不同问题的特点设计出相应的有效改进算法，是非常好的工作，这也是把微粒群算法应用到更多领域的行之有效的好方法。
1.2粒子群的发展历史与研究现状
1.2.1粒子群算法的产生与发展
1.2.2粒子群算法的研究现状1.3 课题的研究意义及目的
20世纪40年代以来，科学家不断努力从生物学中寻求用于计算科学和人工系统的新思想、新方法。很多学者对关于从生物进化和遗传的机理中开发出适合于现实世界复杂适应系统研究的计算技术——自然进化系统的计算模型，以及模拟进化过程的算法进行了长期的开拓性的探索和研究。
按照生物学上可进化性的概念，粒子群算法所追求的也是当前群体产生更好个体的能力，即粒子群算法的可进化性或称群体可进化性。粒子群算法的理论和方法研究也围绕着这一目标展开。与传统的启发式优化搜索算法相比，粒子群算法的主要本质特征在于群体搜索策略和简单的遗传算子。群体搜索使粒子群算法得以突破邻域搜索的限制，可以实现整个解空间上的分布式信息探索、采集和继承；粒子群算法仅仅利用适应值度量作为运算指标进行染色体的随机操作，降低了一般启发式算法在搜索过程中对人机交互的依赖。这样就使得粒子群算法获得了强大的全局最优解搜索能力，问题域的独立性，信息处理的隐并行性，应用的鲁棒性，操作的简明性，成为一种具有良好普适性和可规模化的优化方法。
1.4 本文的内容安排
本课题旨在介绍粒子群算法的理论、应用和发展，包括了用MATLAB软件平台完成的函数优化实验。
接下来本文第二章将介绍混合粒子群算法的基本原理，流程步骤。第三章使用基本的MATLAB 仿真。第四章为实验的总结与展望。