粒子群算法(优化算法)毕业设计【精品文档】(完整版)
粒子群算法 (1)【精品文档】(完整版)
中文翻译用于电磁运用的量子粒子群优化算法摘要---一种新的用于电磁运用的粒子群优化(PSO)的技术被提出来了，该技术是基于量子力学提出的，而不是以前版本中我们所指的经典粒子群算法的假设的牛顿定律。
提出一个通用的程序是衍生许多不同版本的量子粒子群优化算法(算法)。
粒子群算法首次运用于线性排列和阵列天线的合体。
这是在天线工程师使用以前的一个标准难题，该粒子群算法性能和优化版的经典算法进行比较，优于经典算法的地方体现在收敛速度的时间上和更好的取得成本花费。
作为另一个应用程序,该算法用于寻找一个集合中的无穷小的介质,制造出相同远近不同的领域循环介质谐振器天线(DRA)。
此外采用粒子群算法的方法是要为DRA找到一种等效电路模型,这个DRA,可以用来预测一些如同Q-factor一样的有趣参数。
粒子群算法只包含一个控制参数，这个参数很容易随着反复试验或者简单的线性变异而调整。
基于我们对物理知识的理解，不同算法理论方面的阐释呈现出来。
索引词---天线阵列、电介质指数,粒子群优化,量子力学。
一介绍粒子群算法的进化是一种全局搜索策略,它能有效地处理任意的优化问题。
在1995年，肯尼迪和埃伯哈特首次介绍了粒子群优化算法。
后来，它引起了相当大的反响并且证明能够处理困难的优化问题。
粒子群算法的基本思想是模拟生物群之间的相互作用。
能阐明这个概念的一个很好的例子就是一大群蜜蜂的类比。
蜜蜂（候选方案）允许在一个特定的领域飞行寻找食物，人们相信经过一段时间（世代沿袭，更替），蜜蜂会聚集在食物集中的地区（总体最优值）。
在每一代中，每一只蜜蜂都会通过采集局部和全局中好的信息来跟新自己目前的住所，达到目前，达到所有蜜蜂中名列前茅的位置。
如此的相互作用和连续的更新会保证达到全局最优！这个方法由于在全局优化困难中简单和高能力的搜索通过电磁团体得到了相当高的重视。
经典粒子群算法最近被用于电磁学上，而且证明，相对于其他得到认可了的进化技术算法是相当有竞争力的。
粒子群优化算法(详细易懂_很多例子)
惯性权重
1998年，Shi和Eberhart引入了惯性权重w，并提出动态调整惯性权重以平衡收敛的全局性和收敛速度，该算法被称为标准PSO算法 惯性权重w描述粒子上一代速度对当前代速度的影响。w值较大，全局寻优能力强，局部寻优能力弱；反之，则局部寻优能力强。当问题空间较大时，为了在搜索速度和搜索精度之间达到平衡，通常做法是使算法在前期有较高的全局搜索能力以得到合适的种子，而在后期有较高的局部搜索能力以提高收敛精度。所以w不宜为一个固定的常数。
单击此处可添加副标题
粒子群算法的思想源于对鸟群捕食行为的研究． 模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。 马良教授在他的著作《蚁群优化算法》一书的前言中写到： 大自然对我们的最大恩赐！ “自然界的蚁群、鸟群、鱼群、 羊群、牛群、蜂群等，其实时时刻刻都在给予 我们以某种启示，只不过我们常常忽略了 大自然对我们的最大恩赐！......”
社会经验部分
前次迭代中自身的速度
自我认知部分
粒子的速度更新主要由三部分组成：
c1,c2都不为0，称为 完全型粒子群算法
完全型粒子群算法更容易保持收敛速度和搜索效果的均衡，是较好的选择．
粒子群算法的构成要素-最大速度
添加标题
第1步 在初始化范围内，对粒子群进行随机初始化，
添加标题
第5步 更新粒子的速度和位置，公式如下．
添加标题
第3步 更新粒子个体的历史最优位置．
添加标题
第6步 若未达到终止条件，则转第2步．
添加标题
包括随机位置和速度．
添加标题
第4步 更新粒子群体的历史最优位置．
初始位置：
粒子群简介【精品文档】(完整版)
一、粒子群算法的历史粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。
CAS理论于1994年正式提出，CAS中的成员称为主体。
比如研究鸟群系统，每个鸟在这个系统中就称为主体。
主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。
整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。
所以CAS系统中的主体具有4个基本特点（这些特点是粒子群算法发展变化的依据）：首先，主体是主动的、活动的。
主体与环境及其他主体是相互影响、相互作用的，这种影响是系统发展变化的主要动力。
环境的影响是宏观的，主体之间的影响是微观的，宏观与微观要有机结合。
最后，整个系统可能还要受一些随机因素的影响。
粒子群算法就是对一个CAS系统－－－鸟群社会系统的研究得出的。
粒子群算法（ Particle Swarm Optimization, PSO）最早是由Eberhart和Kennedy于1995年提出，它的基本概念源于对鸟群觅食行为的研究。
设想这样一个场景:一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，但是它们知道当前的位置离食物还有多远。
那么找到食物的最优策略是什么呢?最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
PSO算法就从这种生物种群行为特性中得到启发并用于求解优化问题。
在PSO中，每个优化问题的潜在解都可以想象成d维搜索空间上的一个点，我们称之为“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值(Fitness Value )，每个粒子还有一个速度决定他们飞翔的方向和距离，然后粒子们就追随当前的最优粒子在解空间中搜索。
Reynolds对鸟群飞行的研究发现。
鸟仅仅是追踪它有限数量的邻居但最终的整体结果是整个鸟群好像在一个中心的控制之下.即复杂的全局行为是由简单规则的相互作用引起的。
粒子群优化算法 程序
粒子群优化算法程序粒子群优化算法（Particle Swarm Optimization, PSO）是一种基于群体智能的优化算法，它模拟了鸟群或鱼群等生物群体的行为，用于解决各种优化问题。
下面我将从程序实现的角度来介绍粒子群优化算法。
首先，粒子群优化算法的程序实现需要考虑以下几个关键步骤：1. 初始化粒子群，定义粒子的数量、搜索空间的范围、每个粒子的初始位置和速度等参数。
2. 计算适应度，根据问题的特定适应度函数，计算每个粒子的适应度值，以确定其在搜索空间中的位置。
3. 更新粒子的速度和位置，根据粒子的当前位置和速度，以及粒子群的最优位置，更新每个粒子的速度和位置。
4. 更新全局最优位置，根据所有粒子的适应度值，更新全局最优位置。
5. 终止条件，设置终止条件，如最大迭代次数或达到特定的适应度阈值。
基于以上步骤，可以编写粒子群优化算法的程序。
下面是一个简单的伪代码示例：python.# 初始化粒子群。
def initialize_particles(num_particles, search_space):particles = []for _ in range(num_particles):particle = {。
'position':generate_random_position(search_space),。
'velocity':generate_random_velocity(search_space),。
'best_position': None,。
'fitness': None.}。
particles.append(particle)。
return particles.# 计算适应度。
def calculate_fitness(particle):# 根据特定问题的适应度函数计算适应度值。
particle['fitness'] =evaluate_fitness(particle['position'])。
粒子群优化算法【范本模板】
什么是粒子群优化算法粒子群优化算法（PａrtｉｃlｅSwarm opｔiｍiｚatiｏn,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。
是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。
通常认为它是群集智能（Sｗａrm ｉntｅｌlｉgencｅ, SI）的一种。
它可以被纳入多主体优化系统（Ｍultｉaｇeｎt OptimｉzatioｎSyｓtｅm，ＭＡOＳ). 是由Ebeｒhart博士和kennｅdy博士发明.PSO模拟鸟群的捕食行为。
一群鸟在随机搜索食物，在这个区域里只有一块食物。
所有的鸟都不知道食物在那里.但是他们知道当前的位置离食物还有多远。
那么找到食物的最优策略是什么呢．最简单有效的就是搜寻目前离食物最近的鸟的周围区域。
PSO从这种模型中得到启示并用于解决优化问题.PSＯ中,每个优化问题的解都是搜索空间中的一只鸟。
我们称之为“粒子”。
所有的粒子都有一个由被优化的函数决定的适应值(fitnessｖa ｌｕe），每个粒子还有一个速度决定他们飞翔的方向和距离。
然后粒子们就追随当前的最优粒子在解空间中搜索。
ＰＳＯ初始化为一群随机粒子（随机解)，然后通过叠代找到最优解,在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。
第一个就是粒子本身所找到的最优解，这个解叫做个体极值p Ｂｅst，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBesｔ。
另外也可以不用整个种群而只是用其中一部分最优粒子的邻居，那么在所有邻居中的极值就是局部极值．[编辑]ＰＳO算法介绍[1]如前所述,ＰＳＯ模拟鸟群的捕食行为。
设想这样一个场景：一群鸟在随机搜索食物.在这个区域里只有一块食物。
所有的鸟都不知道食物在那里。
但是他们知道当前的位置离食物还有多远。
那么找到食物的最优策略是什么呢。
最简单有效的就是搜寻目前离食物最近的鸟的周围区域.PSO从这种模型中得到启示并用于解决优化问题。
PSO中，每个优化问题的解都是搜索空间中的一只鸟.我们称之为“粒子”。
粒子群优化算法及其应用研究【精品文档】(完整版)
摘要在智能领域，大部分问题都可以归结为优化问题。
常用的经典优化算法都对问题有一定的约束条件，如要求优化函数可微等，仿生算法是一种模拟生物智能行为的优化算法，由于其几乎不存在对问题的约束，因此，粒子群优化算法在各种优化问题中得到广泛应用。
本文首先描述了基本粒子群优化算法及其改进算法的基本原理,对比分析粒子群优化算法与其他优化算法的优缺点，并对基本粒子群优化算法参数进行了简要分析。
根据分析结果,研究了一种基于量子的粒子群优化算法。
在标准测试函数的优化上粒子群优化算法与改进算法进行了比较,实验结果表明改进的算法在优化性能明显要优于其它算法。
本文算法应用于支持向量机参数选择的优化问题上也获得了较好的性能。
最后,对本文进行了简单的总结和展望。
关键词：粒子群优化算法最小二乘支持向量机参数优化适应度目录摘要 (I)目录 (II)1.概述 (1)1.1引言 (1)1.2研究背景 (1)1.2.1人工生命计算 (1)1.2.2 群集智能理论 (2)1.3算法比较 (2)1.3.1粒子群算法与遗传算法(GA)比较 (2)1.3.2粒子群算法与蚁群算法(ACO)比较 (3)1.4粒子群优化算法的研究现状 (4)1.4.1理论研究现状 (4)1.4.2应用研究现状 (5)1.5粒子群优化算法的应用 (5)1.5.1神经网络训练 (6)1.5.2函数优化 (6)1.5.3其他应用 (6)1.5.4粒子群优化算法的工程应用概述 (6)2.粒子群优化算法 (8)2.1基本粒子群优化算法 (8)2.1.1基本理论 (8)2.1.2算法流程 (9)2.2标准粒子群优化算法 (10)2.2.1惯性权重 (10)2.2.2压缩因子 (11)2.3算法分析 (12)2.3.1参数分析 (12)2.3.2粒子群优化算法的特点 (14)3.粒子群优化算法的改进 (15)3.1粒子群优化算法存在的问题 (15)3.2粒子群优化算法的改进分析 (15)3.3基于量子粒子群优化(QPSO)算法 (17)3.3.1 QPSO算法的优点 (17)3.3.2 基于MATLAB的仿真 (18)3.4 PSO仿真 (19)3.4.1 标准测试函数 (19)3.4.2 试验参数设置 (20)3.5试验结果与分析 (21)4.粒子群优化算法在支持向量机的参数优化中的应用 (22)4.1支持向量机 (22)4.2最小二乘支持向量机原理 (22)4.3基于粒子群算法的最小二乘支持向量机的参数优化方法 (23)4.4 仿真 (24)4.4.1仿真设定 (24)4.4.2仿真结果 (24)4.4.3结果分析 (25)5.总结与展望 (26)5.1 总结 (26)5.2展望 (26)致谢 (28)参考文献 (29)Abstract (30)附录 (31)PSO程序 (31)LSSVM程序 (35)1.概述1.1引言最优化问题是在满足一定约束条件下，寻找一组参数值，使得系统的某些性能指标达到最大或者最小。
粒子群算法文档【精品文档】(完整版)
§6.4 粒子群优化算法人们提出了群搜索概念，利用它们来解决现实中所遇到的优化问题，并取得了良好的效果.粒子群优化算法就是群体智能中的一种算法.粒子群算法是一种演化计算技术，是一种基于迭代的优化工具，系统初始化为一组随机解，通过迭代搜寻最优值，将鸟群运动模型中栖息地类比为所求问题空间中可能解的位置，利用个体间的传递，导致整个群体向可能解的方向移动，逐步发现较好解.6.4.1 基本粒子群算法粒子群算法，其核心思想是对生物社会性行为的模拟.最初粒子群算法是用来模拟鸟群捕食的过程，假设一群鸟在捕食，其中的一只发现了食物，则其他一些鸟会跟随这只鸟飞向食物处，而另一些会去寻找更好的食物源.在捕食的整个过程中，鸟会利用自身的经验和群体的信息来寻找食物.粒子群算法从鸟群的这种行为得到启示，并将其用于优化问题的求解.若把在某个区域范围内寻找某个函数最优值的问题看作鸟群觅食行为，区域中的每个点看作一只鸟，现把它叫粒子（particle).每个粒子都有自己的位置和速度，还有一个由目标函数决定的适应度值.但每次迭代也并不是完全随机的，如果找到了新的更好的解，将会以此为依据来寻找下一个解.图6.21给出了粒子运动的思路图.图6.21粒子运动的路线图下面给出粒子群算法的数学描述.假设搜索空间是D维的，群中的第i个粒子能用如下D维矢量所表示：12(,,,)i i i iD X x x x '=(6.43)每个粒子代表一个潜在的解，这个解有D 个维度.每个粒子对应着D 维搜索空间上的一个点.粒子群优化算法的目的是按照预定目标函数找到使得目标函数达到极值的最优点.第i 个粒子的速度或位置的变化能用如下的D 维向量表示：12(,,,)i i i iD V v v v '= (6.44)为了更准确地模拟鸟群，在粒子群优化中引入了两个重要的参量.一个是第i 个粒子曾经发现过的自身历史最优点(Personal best ，pbest)，可以表示为：12(,,,)i i i iD P p p p '= (6.45)另一个是整个种群所找到的最优点(Global best ，gbest)，可以表示为：12(,,,)g g g gD P p p p '= (6.46)PSO 初始化为一群随机粒子(随机解)，然后通过迭代找到最优解.在每一次的迭代中，粒子通过跟踪两个“极值”(i P 和g P )来更新自己.在找到这两个最优值后，粒子通过下面的公式来更新自己的速度和位置：1122(1)()()(()())()(()())id id id id gd id v t wv t c r t p t x t c r t p t x t +=+-+-，(速度更新公式)(6.46)(1)()(1)id id id x t x t v t +=++(位置更新公式) (6.47)其中w 称之为惯性因子，在一般情况下，取1w =，1,2,,t G = 代表迭代序号，G 是预先给出的最大迭代数；1,2,,d D = , 1,2,,i N = ，N 是群的大小；1c 和2c 是正的常数，分别称为自身认知因子和社会认知因子，用来调整i P 和g P 的影响强度.1r 和2r 是区间[0，1]内的随机数.由(6.46)和(6.47)构成的粒子群优化称为原始型粒子群优化.从社会学的角度来看，公式(6.47)的第一部分称为记忆项，表示上次优化中的速度的影响；公式第二部分称为自身认知项，可以认为是当前位置与粒子自身最优位置之间的偏差，表示粒子的下一次运动中来源于自己经验的部分；公式的第三部分称为社会认知项，是一个从当前位置指向种群最佳位置的矢量，反映了群内粒子的协作和知识共享.可见，粒子就是通过自己的经验和同伴中最好的经验来决定下一步的运动.随着迭代进化的不断进行，粒子群逐渐聚集到最优点处，图6.22 给出了某个优化过程中粒子逐渐聚集的示意图.图6.22 粒子群在优化过程聚集示意图 综上所述，我们得到如下基本粒子群算法流程：(1) 设定参数，初始化粒子群，包括随机位置和速度；(2) 评价每个粒子的适应度；(3) 对每个粒子，将其当前适应值与其曾经访问过的最好位置pbest 作比较，如果当前值更好，则用当前位置更新pbest ；(4) 对每个粒子，将其当前适应值与种群最佳位置gbest 作比较，如果当前值更好，则用当前位置更新gbest ；(5) 根据速度和位置更新公式更新粒子；(6)若未满足结束条件则转第二步；否则停止迭代.迭代终止条件根据具体问题一般选为迭代至最大迭代次数或粒子群搜索到的最优位置满足预定的精度阈值.6.4.2 粒子群算法的轨迹分析1998年，Ozcan 在文献[13]中首先对粒子在一维空间的轨迹进行了讨论，并在1999年将粒子运动的轨迹分析推广到多维空间的情形，2002年，文献[14]从矩阵代数的观点讨论了粒子的轨迹问题，本节采用[15]中的差分方程思想分别讨论单个粒子在一维以及二维空间的轨迹问题。
优化算法-粒子群优化算法
步骤四：对于粒子的每一维，根据式（1）计算得到一个随机点 的位置。
步骤五：根据式（2）计算粒子的新的位置。
步骤六：判断是否满足终止条件。
粒子群优化算法
PSO算法在组合优化问题中的应用
典型的组合优化问题：TSP
粒子群优化算法
量子行为粒子群优化算法的基本模型
群智能中个体的差异是有限的，不是趋向于无穷大的。群体的聚 集性是由相互学习的特点决定的。
个体的学习有以下特点： 追随性：学习群体中最优的知识
记忆性：受自身经验知识的束缚
创造性：使个体远离现有知识
粒子群优化算法
聚集性在力学中，用粒子的束缚态来描述。产生束缚态的原因是 在粒子运动的中心存在某种吸引势场，为此可以建立一个量子化 的吸引势场来束缚粒子（个体）以使群体具有聚集态。
描述为: 给定n 个城市和两两城市之间的距离, 求一条访问各城市
一次且仅一次的最短路线. TSP 是著名的组合优化问题, 是NP难题, 常被用来验证智能启发式算法的有效性。
vid (t 1) wvid (t) c1r1 pid (t) xid (t) c2r2( pgd (t) xid (t))
xid (t 1) xid (t) vid (t 1)
粒子群优化算法
w 惯性权重 可以是正常数，也可以是以时间为变量的线性或非线性
正数。
粒子群优化算法
通常动态权重可以获得比固定值更好的寻优结果，动态权重可以在 pso搜索过程中呈线性变化，也可以根据pso性能的某个测度函数 而动态改变，目前采用的是shi建议的随时间线性递减权值策略。
粒子群优化算法
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
毕业论文
题目粒子群算法及其参数设置专业信息与计算科学
班级计算061
学号
学生xx
指导教师
2010年
I
粒子群优化算法及其参数设置
专业：信息与计算科学
学生： xx
指导教师：
摘要
粒子群优化是一种新兴的基于群体智能的启发式全局搜索算法，粒子群优化算法通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。
它具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已经成为发展最快的智能优化算法之一。
论文介绍了粒子群优化算法的基本原理，分析了其特点。
论文中围绕粒子群优化算法的原理、特点、参数设置与应用等方面进行全面综述，重点利用单因子方差分析方法，分析了粒群优化算法中的惯性权值，加速因子的设置对算法基本性能的影响，给出算法中的经验参数设置。
最后对其未来的研究提出了一些建议及研究方向的展望。
关键词：粒子群优化算法；参数；方差分析；最优解
II
Particle swarm optimization algorithm and its
parameter set
Speciality: Information and Computing Science
Student: Ren Kan
Advisor: Xu Xiaoping
Abstract
Particle swarm optimization is an emerging global based on swarm intelligence heuristic search algorithm, particle swarm optimization algorithm competition and collaboration between particles to achieve in complex search space to find the global optimum. It has easy to understand, easy to achieve, the characteristics of strong global search ability, and has never wide field of science and engineering concern, has become the fastest growing one of the intelligent optimization algorithms. This paper introduces the particle swarm optimization basic principles, and analyzes its features. Paper around the particle swarm optimization principles, characteristics, parameters settings and applications to conduct a thorough review, focusing on a single factor analysis of variance, analysis of the particle swarm optimization algorithm in the inertia weight, acceleration factor setting the basic properties of the algorithm the impact of the experience of the algorithm given parameter setting. Finally, its future researched and prospects are proposed.
Key word：Particle swarm optimization; Parameter; Variance analysis; Optimal solution
III
目录
摘要 (II)
Abstract ............................................................................................................................. I II 1.引言. (1)
1.1 研究背景和课题意义 (1)
1.2 参数的影响 (1)
1.3 应用领域 (2)
1.4 电子资源 (2)
1.5 主要工作 (2)
2.基本粒子群算法 (3)
2.1 粒子群算法思想的起源 (3)
2.2 算法原理 (4)
2.3 基本粒子群算法流程 (5)
2.4 特点 (6)
2.5 带惯性权重的粒子群算法 (7)
2.7 粒子群算法的研究现状 (8)
3.粒子群优化算法的改进策略 (9)
3.1 粒子群初始化 (9)
3.2 邻域拓扑 (9)
3.3 混合策略 (12)
4.参数设置 (14)
4.1 对参数的仿真研究 (14)
4.2 测试仿真函数 (15)
4.3 应用单因子方差分析参数对结果影响 (33)
4.4 对参数的理论分析 (34)
5结论与展望 (39)
致谢 (43)
附录 (44)
IV
1 1.引言
1.1 研究背景和课题意义
“人工生命”是来研究具有某些生命基本特征的人工系统。
人工生命包括两方面的内容：
1、研究如何利用计算技术研究生物现象。
2、研究如何利用生物技术研究计算问题。
现在已经有很多源于生物现象的计算技巧。
例如，人工神经网络是简化的大脑模型。
遗传算法是模拟基因进化过程的。
现在我们讨论另一种生物系统- 社会系统。
也可称做“群智能”(swarm intelligence)。
这些模拟系统利用局部信息从而可能产生不可预测的群体行为。
粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。
最初设想是模拟鸟群觅食的过程。
但后来发现PSO 是一种很好的优化工具。
优化是科学研究、工程技术和经济管理等领域的重要研究课题。
粒子群优化算法[1] (简称PSO)是由Kennedy 和Eberhart 通过对鸟群、鱼群和人类社会某些行为的观察研究，于1995年提出的一种新颖的进化算法。
虽然PSO 算法发展迅速并取得了可观的研究成果,但其理论基础仍相对薄弱，尤其是算法基本模型中的参数设置和优化问题还缺乏成熟的理论论证和研究。
鉴于PSO 的发展历史尚短，它在理论基础与应用推广上都还存在一些缺陷，有待解决。
本文通过对PSO 算法的步骤的归纳、特点的分析，利用统计中的方差分析，通过抽样实验方法，论证了该算法中关键参数因子:惯性权值、加速因子对算法整体性能的影响效果，并提出了参数设置的指导原则，给出了关键参数设置，为PSO 算法的推广与改进提供了思路。
1.2 参数的影响
标准粒子群算法中主要的参数变量为w （惯性权值），1c ，2c （加速因子），max v ，本文重点对参数w ，1c ，2c 做数据统计实验。
包括w 不变的情况下通过1c ，2c 变化找出加速因子对算法的影响。
还有保持1c ，2c 不变对w 分别取不同值分析其对算法结果影响。