学者们一直在努力的为自适应 IIR 滤波器研究替代的结构和算法。进化算法 已经为全局优化问题受到了许多关注。进化算法有很多种，如遗传算法(GA)，进 化策略(ES)等都是[8]。这些进化算法是以启发式群体为基础的搜索技术，并将随 机搜索和选择原则，以实现全局最佳的解决方案。

蚁群算法是也是一种随机搜索算法，它是在模拟自然界里要从自己的巢穴到 达最终的目的地的蚁群寻找最短路径时的交互过程。蚁群算法同样也是一种启发 式搜索算法，组合优化问题需要用到蚁群算法[9]。在这以前，以启发式群体为基 础的搜索算法有遗传算法、禁忌算法等。论文网

粒子群优化(PSO) 算法是近期的进化算法中的一种。 自从 PSO 算法被 Eberhart 和 Kennedy 在 1995 年提出，该算法已被证明是一个非常简单，但却是 十分有效的优化技术，在解决许多基准问题上面[10]。PSO 算法是随机搜索算法 的其中一种，它是在群智能的基础上的。由于 PSO 算法的简单性和方便性，同 时具有收敛性强，易编程实现等特点，已经得到了广泛的使用，如气味源定位， 总生产计划，切换瞬间识别等。然而，PSO 算法并不完美，它还有一些缺点，因 此学者们仍然需要对其进行不断地改进和优化。

Abe 和 Kawamata  在 1998 年发表了“基于克隆和交配繁殖的适于自适应 IIR

滤波器的进化的数字滤波”以及“进化的数字滤波器的一个数字信号处理实现”，

Abe, Kawamata 以及 Higuchi 于 1996 年共同发表了“多峰面上进化数字滤波器 的收敛行为”，进化数字滤波用于自适应 IIR 数字滤波器。在这种方法中，不使 用任何基于梯度的算法如 LMS，使用几个数字滤波器以及选出它们之间的最佳 输出。利用寻优规划技术，更新滤波器系数，使其成为计算复杂的算法。

人工蜂群(ABC)算法模拟蜜蜂群智能觅食行为，是一种简单、稳健、灵活的 优化方法。由于这些优点，ABC 已被用于解决许多全局性的优化问题。2009 年， Karaboga 为低阶和高阶 IIR 数字滤波器设计了一种基于 ABC 算法的新方法。从 仿真结果，可以看出，这种基于人工蜂群算法的新方法是设计数字低阶和高阶的 IIR 滤波器的替代方法。Luitel 和 Venayagamoorthy 于 2010 年提出基于粒子群算 法的量子输注来进行自适应 IIR 系统识别。按照全阶和降阶模型基准 IIR 系统识 别的结果，相比其他算法，该算法可以达到较低的平均平方误差和更一致的收敛。 Majhi 和 Panda 也于 2010 年提出了基于 PSO 算法和细菌觅食优化(BFO)的复杂非 线性动态设备高效识别。

Dai 等人用一种寻优算法(SOA)设计 IIR 数字滤波器。SOA 模拟人类的搜索 行为进行搜索，搜索方向源于通过评估响应的位置变化获得的实证梯度，步长源 于通过一个简单的模糊规则得到的不确定性推理。仿真结果表明，SOA 可以有 效地应用于 IIR 滤波器的设计。Panda 等人为 IIR 系统识别制定了一个优化问题， 采用猫群优化(CSO)算法为模型建立一个自适应学习规则。通过仿真研究，实际 和一些为数不多的基准 IIR 设备的简化顺序识别都可以进行数据统计。实验结果 表明，相比其他算法，CSO 是进行 IIR 设备识别有潜力的候选人。Upadhyay 等 人为 IIR 系统识别问题提出了基于混沌的弹性粒子群优化算法(CRPSO)。CRPSO 利用一些随机变量来提高勘探开发多维搜索空间。此外，为了能够进一步提高种 群的收敛性，学者们将综合因素引入了粒子群优化(PSO)算法的速度更新，这样 也可以保证种群的多样性。

粒子群算法最早是从 2000 年开始受到国内的学者们的注意并研究的。国内 的学者们开始对粒子群优化算法进行研究是因为 Zhang chunkai 等人发表了一篇 文章。而这一篇文章就是有关于粒子群优化算法的。该文章发表于第三届国际智 能控制大会上。目前，基本上每一年在国内都会有好几项与粒子群优化算法相关 的研究在国家自然科学基金委员会的财力帮助下展开。2006 年 11 月 25 日， 首届 ICT 大会因为得到了国家自然科学基金委员会的支持，在北京邮电大学成 功举办[11]。大会主题报告“群体智能的最新进展”通过简单实例展示了群体智能 典型算法的原理和建模过程，并结合群体智能算法的应用领域，指出群体智能对 社会进步、生产力发展的深远影响。现如今，包括前两年，跟粒子群算法有关系 的论文越来越多，而且增长的趋势几乎是翻倍的。