基于小生境粒子群算法的比较研究开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

本课题的意义：　　粒子群优化算法（particle swarm optimization，pso）是由james kennedy和russen eberhart设计的一种仿生优化计算方法。

pso算法简单，是一种较好的全局优化算法，它主要是用来优化复杂的非线性函数，稍加修改，也可以用来解决组合优化问题[1]。

但是，当面临一个多模优化问题、需要发现多个最优解时，普通的进化计算技术将无能为力[2]。

2. 研究的基本内容和问题

研究目标：1、验证小生境粒子群算法在多模问题寻找多个最优解的效果。

2、在小生境识别的基础上，针对其半径单一固定的弊端，引入自适应调整半径的策略，并验证其解决效果。

3、将两种算法在多模优化问题上进行仿真和比较。

3. 研究的方法与方案

研究方法及实验方案：1、理论学习。

首先学习标准的粒子群算法，明白它的缺点；研究小生境技术针对哪个或哪些缺点可以改进，再学习小生境粒子群算法；针对小生境识别单一固定半径的弊端，研究自适应调整小生境半径策略。

2、算法仿真。

4. 研究创新点

1、本设计所研究的内容，在研究小生境粒子群算法的基础上，加入了自适应调整半径策略，并将两种技术进行比较，以期研究算法在多模问题中寻找多个解的性能。

2、运用面向对象语言在windouws上编写程序，用测试函数测试算法的性能，以便更直观、更具体的评价算法的优劣性，为算法的比较和优化研究提供有力的数据证明。

5. 研究计划与进展

2013年11月-2013年 12月中旬，查阅相关文献资料和技术档案，学习粒子群算法、小生境粒子群算法、动态边界识别技术。

　　2013年12月中旬-2013年1月中旬，学习自适应调整小生境半径的策略。

　　2014年1月初-2014年3月底，学习相关编程语言，对两种算法在多模函数上实现仿真，进行性能测试。