群体智能优化算法从探寻与研究自然界生物规律出发,提取其中有效的规律模型用于科学研究,因其能够在较短时间内获得最优解而得到更加深入地研究,并广泛应用于工程领域。典型的群体智能优化算法包括遗传算法、粒子群算法、蚁群算法、免疫算法以及人工鱼群算法等。
粒子群算法(ParticleSwarmOptimization,PSO)最早是在1995年由计算机智能研究人员RusselEberhart博士和心理学研究人员JamesKennedy博士共同提出的。粒子群算法的基本思想源于他们对鸟类捕食行为的研究,并对其进行建模与仿真。他们的模型及仿真算法主要利用了生物学家FrankHeppner的模型,在Heppner的仿真模型中,鸟群在栖息地附近觅食,当鸟群中一个个体找到食物后,鸟群中的其他个体也跟随着找到了食物[34]。Kennedy和Eberhart 研究发现鸟群个体之间存在着互相交换信息,即每一只鸟能够向位置更好的鸟学习,而且鸟群个体之间不会发生碰撞。于是他们对Heppner的仿真模型进行了改进补充,使其更加符合实际中鸟类的觅食过程。他们综合以上研究内容,提出了实际鸟群的简化模型,其中一只鸟被称为一个“粒子”,该简化模型即我们所说的粒子群算法。
粒子群算法是一种简单有效的群体智能算法,研究结果表明它能够很好地优化各种函数。Eberhart 和Kennedy 为了验证粒子群算法具有工程应用的可操作性,将其用于训练优化神经网络的权值与阈值,而且用其来求解一些基准测试函数。训练优化和函数测试结果表明粒子群算法具有很好的实际应用价值。