粒子群优化算法是在对鸟群捕食行为模拟的基础上提出的一种群 集智能算法，是进化计算领域中一个新的分支。它的主要特点是原理简 单、参数少、收敛速度较快、易于实现。因此，该算法一提出就吸引了 的广泛关注，逐渐成为一个新的研究热点。目前，粒子群优化算法应用 于神经网络的训练、函数优化、多目标优化等领域并取得了较好的效果， 有着广阔的应用前景。 论文的主要工作有 对粒子群优化算法的理论基础和研究现状作了简要的介绍，分 析了粒子群优化算法的原理及算法流程，对算法参数的选择做了详细的 研究，并进行了相应的仿

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混

增强全局最优粒子搜索能力的改进粒子群算法

针对花朵授粉算法寻优精度低、收敛速度慢、易陷入局部极小的不足,提出一种把模拟退火(SA)融入到花朵授粉算法中的混合算法。该算法通过SA的概率突跳策略使其避免陷入局部最优,并利用SA的全域搜索的性能增强算法的全局寻优能力。通过6个标准测试函数进行测试,仿真结果表明,改进算法在4个测试函数中能够找到理论最优值,其收敛精度、收敛速度、鲁棒性均比基本的花朵授粉算法(FPA)、蝙蝠算法(BA)、粒子群优化(PSO)算法及改进的粒子群算法有较大的提高;同时,对非线性方程组问题进行求解的算例应用也验证了改进算