1、優(yōu)點：編程實現(xiàn)容易。在數(shù)學(xué)上尚缺乏嚴(yán)格的證明。缺點：隨機(jī)優(yōu)化算法，各次計算的結(jié)果可能不相同。對參數(shù)的調(diào)整需要一些 工作。原理：微粒群算法又稱“粒子群算法”，與其他演化算法相似，也是基于群體的，根 據(jù)對環(huán)境的適應(yīng)度將群體中的個體移動到好的區(qū)域，然而它不像其他演化算 法那樣對個體使用演化算子。而是將每個個體看作D維空間中一個沒有體積 的微粒點，在搜索空間中以一定的速度飛行。這個速度根據(jù)它本身的飛行經(jīng) 驗以及同伴的飛行經(jīng)驗進(jìn)行動態(tài)調(diào)整。粒子群算法(？，0)將問題的潛在解作為粒子種群，通過種群個體對自身最 優(yōu)位置的記憶以及個體之間的協(xié)作(即全體最優(yōu)信息的共享)來實現(xiàn)對問題 最優(yōu)解的搜索。算法原理：首先

2、按照優(yōu)化問題的形式定義一個D維的搜索空間，同時確定種群的規(guī)模(粒 子個數(shù))m，各個粒子的位置表示為一個D維向量 x = (x ,x，,x ), i = 1,2,m，粒子的初始位置和初始速度是在搜索空間隨機(jī)ii1 i 2 iD初始化得到的。根據(jù)適應(yīng)值函數(shù)確定第i個粒子迄今為止搜索到的最好位置P = (P, P，,P )，繼而通過比較得到整個種群的歷史最好位置 ii1 i2 iDP = (P , P，P )。g gl g2gDPSO算法采用以下公式對粒子進(jìn)行操作v = wv + c r (P x ) + c r (P x )id id 1 1 id id 2 2 gd idX廣Xd +七i = 1

3、,2,m ; d =1,2,D , W是慣性權(quán)重系數(shù)，c和c是加速因子，,和r是1212介于0, 1之間的隨機(jī)數(shù)。v e -v ,v , v為最大粒子速度限制，根據(jù)idmax max max優(yōu)化問題具體設(shè)定。對這些參數(shù)的調(diào)整，需要一些測試過程。算法流程：1、初始化一群微粒（群體規(guī)模為m）,包括位置和速度2、評價每個微粒的適應(yīng)度3、對每個微粒，將其適應(yīng)值與其經(jīng)過的最好位置p心相比較，如果較好， 則將其作為當(dāng)前的最好位置p心。4、對每個微粒，將適應(yīng)值與全局所經(jīng)歷的最好位置g心相比較，如果較好， 則重新設(shè)置g心的索引號。5、根據(jù)調(diào)整公式變化微粒的速度和位置6、如果未達(dá)到結(jié)束條件（通常為足夠好的適應(yīng)值

4、）或者達(dá)到一個預(yù)設(shè)的 最大迭代次數(shù)6啞,則返回第二步。算法參數(shù)分析方法PSO參數(shù)包括：群體m，慣性權(quán)重W，加速常數(shù)C1和C2,最大速度Vmax，最大迭代次數(shù)Gmax。1最大速度vmax速度太高，則微粒可能飛過好解，太低則不能在局部好之外進(jìn)行足夠的搜索，導(dǎo)致陷入局部最優(yōu)解。2權(quán)重因子PSO算法中有慣性權(quán)重w,加速常數(shù)和c2三個權(quán)重因子慣性權(quán)重w：使微粒保持運(yùn)動慣性，使其有擴(kuò)展搜索空間的趨勢，有能力探 索新的區(qū)域。加速常數(shù)C 1和C 2代表每個微粒推向best和g best位置的統(tǒng)計加速項的權(quán)重。對于這些參數(shù)的確定，還有許多人從事這方面的研究工作。目前，有一些測試函數(shù)比較適合比參數(shù)進(jìn)行調(diào)試。具體實例：問題：6個發(fā)電機(jī)組組成的系統(tǒng)，調(diào)度周期為12個小時，求最優(yōu)解這是一個72維的尋優(yōu)問題（6*12）?？梢圆捎肞SO求解時，粒子群群體規(guī)模 m設(shè)定為100，最大迭代次數(shù)設(shè)定為1500。實驗發(fā)現(xiàn),較小的慣性權(quán)重系數(shù) 和較小