1、粒子群優(yōu)化算法(PSO)是一種基于群智能的優(yōu)化算法,其算法簡(jiǎn)單、收斂速度快、全局搜索能力較強(qiáng),僅需調(diào)整少量參數(shù),并且在不同的優(yōu)化問題中具有較為廣泛的適用性,因此自提出以來就受到諸多學(xué)者的廣泛關(guān)注。目前,該算法已被成功應(yīng)用在函數(shù)優(yōu)化、組合優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、模式識(shí)別、模糊系統(tǒng)控制等領(lǐng)域。由于粒子群優(yōu)化算法起源于對(duì)自然界中生物群落的行為的模擬,并不具備嚴(yán)格的理論基礎(chǔ),普遍存在早熟收斂等缺陷。
　　本文針對(duì)粒子群算法存在的缺陷提出一些改

2、進(jìn)策略,并應(yīng)用于古建筑傳感器優(yōu)化布置中,取得了較好的效果。主要研究工作如下:
　　1.分析了慣性權(quán)重對(duì)粒子群優(yōu)化算法的影響,進(jìn)行了在迭代次數(shù)相同的情況下不同慣性權(quán)重對(duì)算法的性能分析。針對(duì)粒子群算法在平衡全局搜索和局部搜索之間的矛盾,提出了基于余弦自適應(yīng)調(diào)整慣性權(quán)重的粒子群優(yōu)化算法(CW-PSO),該算法在迭代過程中自適應(yīng)地選擇不同的慣性權(quán)重來調(diào)整粒子的搜索方向和速度。測(cè)試結(jié)果表明,該算法在一定程度上提高了算法的全局尋優(yōu)能力,并且不

3、易陷入局部最優(yōu),較好地控制了其在全局尋優(yōu)和局部尋優(yōu)的平衡能力。
　　2.針對(duì)粒子群算法在迭代過程中種群的多樣性迅速下降,從而導(dǎo)致算法的局部收斂這一問題,提出了基于雙種群策略的粒子群算法(DP-PSO)。該算法將原種群分為精英群和大眾群兩個(gè)子群,在每個(gè)群中分別進(jìn)行不同的進(jìn)化策略,同時(shí)為了維持粒子的差異性,設(shè)定一個(gè)更新周期,每隔一個(gè)更新周期兩種群進(jìn)行交叉,實(shí)現(xiàn)信息共享,協(xié)同進(jìn)化。求解結(jié)果表明,該算法有效避免了粒子的多樣性下降,同時(shí)合適