Matlab的粒子群算法的仿真研究 (3)
经过十余年的发展，PSO算法已经被用来求解大量工程实际问题，如神经网络训练、参数估计、调度优化等。PSO算法已经被应用到人工神经网络（ANN）训练的三个主要方面：网络连接权重、网络结构（网络拓扑、传递函数）、以及网络学习算法。
大多数工作集中在网络权重和拓扑结构的演化。在ANN中使用PSO算法替代反向传播（BP）学习算法，结果显示PSO算法在训练ANN中是一种很有前途的方法，在大多数情况下能够更快并获得更好的结果。作为演化神经网络的例子，PSO算法已被成功用来分析人类的帕金森综合症等颤抖类疾病。
在信号处理器件设计方面，PSO算法已被用来设计可配置相差分阵列天线、门级组合逻辑电路、IIR数字滤波器、相控天线阵合成、多频共面波导馈入单极天线、电磁吸收材料、以及FIR数字滤波器 。
作为一种优化算法，PSO算法被应用到各种参数估计和优化问题中，例如使用PSO算法来优化电力系统稳定装置的参数设置、最优潮流问题、电机优化设计、粗轧宽展控制模型的优化、发电机参数辨识、涡旋体三坐标仪检测数据处理、配电网络重构问题、模糊隶属度函数优化、温度模型优化、切削参数优化、虚拟仪器参数自适应配置、机械零部件可靠性优化设计、设施布局问题。
在应用方面PSO算法主要应用与连续问题，但也同时应用于离散问题，比如TSP问题，工作车间跳读问题等，但算法往往难以取得理想化的优化结果。
在调度优化方面，PSO算法被用于柔性制造系统调度优化、带时间窗车辆路径问题、车辆路径问题、排列流水作业调度问题、Job-shop调度、混流装配线优化调度、并行多机调度。
其他应用还包括将PSO算法用于特征选择、图像处理、机器学习、电力系统、生物工程、任务分配问题、聚类分析、控制系统、机器人路径规划、软测量等工程问题
实际工业应用有：电力系统、滤波器设计、自动控制、数据聚类、模式识别与图像处理、化工、机械、通信、机器人、经济、生物信息、医学、任务分配、TSP等等领域。
1.4 电子资源
身处信息和网络时代的我们是幸运的，丰富的电子资源能让我们受益匪浅。如果想较快地对PSO有一个比较全面的了解，借助网络空间的电子资源无疑是不二之选。对一些初学者而言，哪里能下载得到PSO的源程序，是他们很关心的话题；即使对一些资深的读者，为了验证自己提出的新算法或改进算法，如果能找到高级别国际期刊或会议上最近提出的算法源程序，那也是事半功倍的美事。这里介绍当今PSO研究领域较有影响的一个网址：
Maurice Clerc 博士(Maurice.Clerc@WriteMe.com)的PSO主页：http://clerc.maurice.free.fr/pso/
该主页主要介绍Maurice Clerc博士带领的PSO研究小组的研究成果。除了从中可以得到他们近几年公开发表的相关文献和源代码，还可以下载一些未公开发表的文章。这些未公开发表的文章往往是Maurice Clerc博士的一些设想，而且在不断更新，如“Back to random topology”、“Initialisations for particle swarm optimization”、“Some ideas about PSO”等等，对PSO研究人员很有启发。
1.5 粒子群算法的发展及研究现状
2.基本粒子群算法
2.1 粒子群算法思想的起源
粒子群优化（Particle Swarm Optimization, PSO）算法是Kennedy 和Eberhart 受人工生命研究结果的启发、通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法，1995年IEEE国际神经网络学术会议发表了题为“Particle Swarm Optimization”的论文，标志着PSO算法诞生(注：国内也有很多学者译为“微粒群优化”)。它与其他进化算法一样，也是基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索；同时，PSO又不像其他进化算法那样对个体进行交叉、变异、选择等进化算子操作，而是将群体(swarm)中的个体看作是在D文搜索空间中没有质量和体积的粒子(particle)，每个粒子以一定的速度在解空间运动，并向自身历史最佳位置pbest和邻域历史最佳位置 聚集，实现对候选解的进化。PSO算法具有很好的生物社会背景而易理解、参数少而易实现，对非线性、多峰问题均具有较强的全局搜索能力，在科学研究与工程实践中得到了广泛关注。