粒子群优化算法及其应用开题报告

全文总字数：7326字

1. 研究目的与意义

粒子群算法是一种基于群体智能的全局优化方法，通过群体中粒子间的合作与竞争产生的群体智能指导优化搜索。它是用以解决许多传统优化方法难以或者无法解决的优化问题。因其参数简洁，流程简单易实现，易与其他算法相结合等优点受到许多研究者的关注。

从粒子群优化算法被提出至今，它已在多个领域都有成功的应用实例，无论从理论研究还是应用研究的角度分析，粒子群优化算法及其应用的研究都是具有重要学术意义和现实价值的。本文就从粒子群优化算法研究背景与算法基本原理和流程入手，进一步阐述算法的应用现状，例举实例以表现粒子群算法的优化过程。

2. 国内外研究现状分析

最优化问题广泛存在于人类生活的各个领域，是人们最为经常面对的问题。优化问题的解决依赖于对问题的模型构建，从而有了优化方法用以解决模型问题，传统的优化方法有：单纯性表法，惩罚函数法，共轭梯度法等等，但随着优化问题越来越复杂，传统优化方法对于一些复杂度高的优化问题，有着难以克服的局限性，针对传统优化算法的不足，智能优化算法得以产生和发展，其中粒子群优化算法就是智能优化算法中主要的算法之一，它的提出是基于对简化的社会模型的模拟，是一种新颖，高效，具有启发性的并行搜索方法，为众多研究者关注和研究。

粒子群优化算法最早由美国的kennedy和eberhart在1995年提出，从其出现至今的几十年时间里，研究者们大部分精力集中于对其算法结构和性能的改善方面的研究，主要包括：参数设置、粒子多样性、种群结构和算法融合。

其间yushihuile和eberhartr首次提出了惯性权重w的概念，对基本粒子群算法中的粒子速度更新公式进行了修正，以获得最佳的全局优化效果。而后还提出了采用动态惯性权重的设置方法用以提高算法有效性和可靠性。还有一种基于基本粒子群优化算法作出的改进方法是加入收缩因子，这个概念由clerc提出，他还指出该因子对于算法的收敛是必要的。

3. 研究的基本内容与计划

研究内容：粒子群优化算法及其应用

1.简述粒子群优化算法研究背景、研究现状。

2.详述pso算法基本原理以及算法流程。

4. 研究创新点

在已有PSO算法的基础上，将一些实际优化问题抽象转化成数学问题并进行建模，用PSO算法进行编程实现，以达到解决问题的目的。