3．4粒子群算法的耗散结构    21
3．5混合粒子群算法的实现    21
4    测试函数    24
5基本粒子群和混合粒子群性能仿真及比较    29
5.1基本粒子群算法    29
5.1.1 算法原理    29
5.1.2 算法步骤    29
5.1.3 算法的MATLAB实现与总结    29
5.2 二阶粒子群算法    31
5.2.1 算法原理    31
5.2.2 算法步骤    31
5.2.3 算法的MATLAB实现与总结    31
5.3 混沌粒子群算法    34
5.3.1 算法原理    34
5.3.2 算法步骤    35
5.3.3算法的MATLAB实现与总结    35
5.4 混合粒子群算法    37
5.4.1 基于自然选择的算法    37
5.4.2 基于杂交的算法    38
5.4.3 基于模拟退火的算法    40
5.4.4 三种混合粒子群算法的性能比较    41
6总结和展望    43
致谢    44
1    绪论
1.1    课题的目的和意义
在计算机科学的迅猛发展的今天，人工智能技术成为一个热点发展方向备受人们的关注。计算机科学家们提出了从模拟人脑功能角度来实现人工智能，也通过计算机程序的运行，预想从效果上达到和人类智能行为活动过程相类似的目标。随着各个学科知识的快速发展，人们对解决问题的要求越来越高，应用领域越来越宽，传统的优化算法如线性规划、非线性规划法、动态规划法和网络流优化算法等，其算法复杂度一般很大，只适于求解小规模问题，在实际工程中往往不适用，已经不能满足人们的各种需求。因此人们开始寻找效率更高、效果更好的智能优化方法。用群智能优化算法来解决优化问题为有效途径和方法，加之此方向备受到众多学者的关注，也为解决好优化问题提供了更加有力的技术条件。智能优化算法是模拟自然界生物系统，各个生物体依赖自身的本能，通过无意识的进化、寻优行为来优化生存状态，以适应环境的依赖优化方法，具有许多与传统优化算法不同的特点。群智能中的群，可被定义为“一组相互之间可以进行直接或间接通信（通过改变局部环境）的主体”。智能优化算法根据其中个体的数量，可分为基于个体的和基于群的两种，如模拟退火算法是基于个体的，而蚁群优化算法、粒子群优化算法、人工免疫算法和人工鱼群算法是基于种群的。
通过群体智能的启发，诞生出PSO算法这种全局式搜索算法，粒子群优化算法找到全局最优点的方法是经过各个粒子在繁琐的搜索区域中相互协作与碰撞所实现的。它特点的许多，比如它很容易被接受、它很容易被实现、它的全局搜索能力十分强等特点，一直以来，它都倍受科学界与各个研究领域的关注。
优化问题存在于现实生活中一般都是是非常复杂的，所有找到最好的解决方法变得不怎么可行。因此，一个明智的方法是寻找一个好的近似解，消耗较小的计算资源。若干个工程问题包含多个目标,同时需要解决，许多技术已经提出,模仿自然的，巧妙的方式探索单一和多目标优化的最优解问题。最早的自然激励技术是基因和其他进化启发式唤起达尔文进化原则。Kennedy和Eberhartz在1995年提出的粒子群优化算法（Particle Swarm Optimization，简称PSO）[1]，灵感从鸟类一起排队飞行得到，它是一种搜索算法，使人群为基础。标准PSO使用元多文解空间,而在二进制PSO粒子位置是离散的，而不是真正的有价值。该算法的基础是对鸟类的捕食行为的模拟。粒子群优化算法的操作是首先将一群随机粒子进行初始化，之后通过叠代的方法来寻到它的最优解。在任何一次叠代过程中，粒子更新自己的方法是通过更新自己的2个“极值”。一个是个体极值pbest，它是粒子自身所寻到的最优解，。另外一个是全局极值gbest，它是整个种群当前所能寻到的最优解。 MATLAB混合微粒群算法的性能仿真(2):http://www.youerw.com/tongxin/lunwen_34588.html