粒子群优化算法在非线性函数极值寻优中应用与实现.pdfVIP

1案例背景

粒子群优化算法（PSO,particleswarmoptimization）是计算智能领域，除了蚁群算法，

鱼群算法之外的一种群体智能的优化算法。该算法最早由Kennedy和Eberhart在1995年提

出的。该算法源于对鸟类捕食行为的研究。鸟类捕食时，对所有鸟来说，找到食物最简单有

效的策略就是搜寻当前距离食物的鸟的周围区域。PSO算法就是从这种生物种群行为

特征中得到启发并用于求解优化问题的。在算法中，每个优化问题的潜在解都是搜索空间中

一个“粒子(Particle)”的状态，每个粒子都对应一个由目标函数决定的适应度值(Fitness

Value)，粒子的速度决定了它们飞翔的方向和距离。粒子根据自身及同伴的飞行经验进行动

态调整，即粒子自身所找到的最优解和整个种群当前找到的最优解。如此在解空间中不断搜

索，直至满足要求为止。本案例就是用PSO算法来寻找测试函数的极值，表明该算法

在系统极值寻优中的作用。

2模型建立

2.1PSO算法介绍

PSO算法通过之间的协作和竞争，遵循一定的规则运动实现复杂空间中最优解的

搜索。PSO算法首先是在可解空间中初始化一群粒子，每个粒子都代表极值优化问题的一

个潜在最优解，每个粒子由位置、速度、适应度值三个指标来表示该粒子，其中适应度值是