全文总字数：13825字

1. 研究目的与意义及国内外研究现状

粒子群优化算法由于算式简洁,易于编程实现,无需梯度信息,只需利用目标的取值信息,且具有群搜索性能与各粒子间的协同特性;自提出后在很多领域得到广泛的应用与迅速的发展完善。但是,粒子群优化算法的历史尚短,在理论基础上与应用推广上都还存在一些急待解决的问题。首先,对任何一个算法,如果不从理论上对其研究,那对其行为将无法彻底剖析。仅仅从实验数据对粒子群优化算法进行研究,终将无法了解其内部机理。因此,对粒子群优化算法收敛模型的建立和收敛性分析是十分有益的,也为以后的进一步研究与新算法的提出都将提供很好的明示。第二,工程上存在的很多复杂优化问题急需解决,与粒子群优化算法在求解复杂优化问题存在易陷局部极值的事实,表明对粒子群优化算法进行适当改进,以能更好更准确地求解工程的优化问题是一个有现实意义的课题。第三,粒子群优化算法刚兴起不久,所以对其在实际中的具体应用还有很多需要解决的问题。这是由于每个算法都具有自身的特点,在具体应用中针对具体问题都需进行适当改进,才能用于实际问题的求解,例如求解旅行商问题、最优控制问题、多目标优化问题等;同时对同一个优化问题、使用同一个算法,若调整策略不同,最后的得到的效果也是不一样的。因此,对粒子群优化算法是一个值得的、有意义的课题。

本篇论文将重点研究粒子群算法两个方面的不足之处，第一是粒子群算法搜索空间的随机性，第二是粒子群算法存在的早熟收敛性。为了解决第一个问题，提出了通过融合多种搜索方法来增强粒子群算法的方法。在这个方面对两个搜索技术进行了研究：非均匀变异方法和自适应的梯度方法。为解决粒子群的早熟收敛的问题，又进一步利用了自适应的柯西变异法。最终，提出了具有多级适应性的粒子群算法。与原来的粒子群算法相比，提出的粒子群算法在性能上表现出了极大的优势。

2. 研究的基本内容

粒子群算法是一种线性搜索算法，因为其简单、实现方便。因此自从提出以来便在短期内迅速得到国际计算领域的认可，并在很多领域得到了广泛的发展。但pso自身也存在如下缺陷：pso寻找的最优解可能局部最优解而不是全局最优解；搜索空间的随机性，参数初始化随机性；收敛速度慢。因此，迫切需要一些方法来改进传统的pso所存在的缺陷。为了解决粒子群的缺陷问题，我们将主要进行以下内容的研究：

1.pso算法的演化过程

人类社会生活的多个方面都与优化问题密切相关，不论是在经济活动，生活实践，工程设计还是科学研究中，人们往往要面临着一个从诸多可行的备选方案中选择一个最优的方案出来，使我们所需要的一些条件得到满足，这种情况，往往就属于最优化问题。自17世纪数学家newton创立了微积分学包含了极值的概念以来，多位数学家为研究最优化问题做出了极大贡献.传统的优化方法一般被分为两类：解析法和迭代法。达尔文的进化论提出以后，科学家们通过对生物体繁殖、变异、竞争、选择的生物进化过程的观察和模拟，建立了通过选择、重组、变异三种操作来实现优化问题求解的进化算法。科学家通过对这些社会性昆虫群体行为的研究，发明了群体智能。群体智能算法主要包括智能蚁群算法和粒子群算法。粒子群算法(particle swarm optimization,简称pso)在1995年由kennedy和eberhart合作提出^[2,3]，这是一种模仿鸟在飞行和觅食时群交流和行为的群体智能算法。

3. 实施方案、进度安排及预期效果

2015年11月~12月：资料收集，完成任务书和开题报告，熟练并掌握pso算法

2016年1月~2月（开学前）：学习自适应方法与各种搜索机制，并完成算法设计

2016年3月~5月：在相应的函数测试，并与原算法的性能比较，设计出一种更优化的算法

4. 参考文献

[1].mengqi hu, teresa wu, jeffery d.weir. an intelligent augmentation of particle swarm optimization with multiple adaptive methods. information sciences, 213(2012) 68-83.

[2]. 秦全德, 《粒子群算法研究及应用》, 华南理工大学博士学位论文，2011。

[3]. 刘逸, 《粒子群优化算法的改进及应用研究》，西安电子科技大学博士学位论文，2012。