粒子群优化算法的研究与改进(3)
目前，尽管群体智能理论还非常不成熟，但它已成为有别于传统人工智能中连接主义、行为主义和符号主义的一种新的关于智能的描述方法，并成为人工智能领域的新研究热点。2003年IEEE第一届国际群智能研讨会在美国印第安纳州首府召开，以后将每年举办一次群体智能国际研讨会。
1.2 粒子群优化算法的起源及研究现状
复杂适应系统CAS（Complex Adaptive System）理论【3】于1994年正式提出，CAS中的成员称为主体。主体有适应性，它能够与环境及其他主体进行交流，并且根据交流过程中的“学习”或“积累经验”来改变自身结构和行为。整个系统的演变或进化包括：新层次的产生；分化和多样性的出现；新的、更大的主体的出现等都基于此。CAS有4个基本特点：首先，主体是主动的、活的实体；其次，个体与环境及其他个体的相互影响、相互作用，是系统演变和进化的主要动力；再次，将宏观和微观有机的联系起来；最后，系统引入了随机因素。PSO源于对一个CAS：鸟群社会系统的仿真研究。
1995年R.C.Eberhart和J.Kennedy首次提出了粒子群优化(particle swarm optimization，PSO)算法【4】。该算法是继蚁群算法后另一种著名的群体智能算法。同遗传算法类似，粒子群优化算法是一种基于群体的优化技术，通过一组初始化的群体在搜索空间并行搜索。另外，它无须梯度信息，对问题的依赖性较小。
粒子群优化算法其思想来源于人工生命和演化计算理论。由于其原理简单，所需参数较少且易于实现的特点，PSO已经得到了众多学者的重视和研究。PSO算法具有很强的通用性，且无需问题的特殊信息，因此其应用领域非常广泛。目前其应用已扩展到组合优化问题和离散型优化等问题，主要的应用领域包括:训练人工神经网络，跟踪动态系统，多目标优化问题，求解约束满足问题，与控制工程问题的结合，动力系统方面应用，数据挖掘，参数估计等。PSO 是非线性连续优化问题、组合优化问题和混合整数非线性优化问题的有效优化工具。其在训练神经网络方面的应用已初具规模，现在已扩展到参数估计问题，多用户检测和离散问题等领域。总的来说，其它进化算法能够求解的问题或者能够转化为优化的问题，PSO算法均能够求解。因此，对于这么一个年轻的，具有很大开发潜力的启发式算法，开展一些对PSO算法机理的研究具有较大的科学意义，不但可以加深对PSO算法机制的认识，而且对于扩展PSO应用领域也具有比较深远的意义。
PSO算法是一个新的基于群体智能的进化算法，其研究还刚刚开始，远没有像遗传算法和模拟退火算法那样形成系统的分析方法和一定的数学基础，有许多问题还需要进行进一步研究和改进【5】。
（1） PSO 具有相对鲜明的生物社会特性，在实际应用中被证明是有效的，但是它的数学基础显得相当薄弱，缺乏深刻且具有普遍意义的理论分析。虽然已经有了一些关于其收敛性的分析，但目前其理论基础的研究仍是个艰巨的课题。
（2） 利用不同问题的特点设计相应有效的算法，但PSO 算法中的参数选择却依赖于具体问题。研究如何选择和设计参数，使其减少对具体问题的依赖，也将大大促进PSO 算法的发展和应用。
（3） PSO 算法中粒子分布的拓扑结构的改进，不仅可以提高寻优解的精度，而且可加快收敛速度。拓扑结构的研究对其发展也具有重大意义。除了对算法本身研究外，还可针对目标函数进行变形、变换等策略，来减小PSO 算法搜索全局最优的困难，完成寻优。
（4） 如何准确进行适应值判别，最大程度减少算法收敛前系统损耗，有效避免陷入局部极小，也是PSO 算法值得研究的一个方面。