第27卷第4期華僑大學(xué)學(xué)報(自然科學(xué)版)Vol.27 No. 42006年10月.Jourmal of Huaqiao University ( Natural Science )Oct. 2006文章編號1000-5013( 2006 )04 0343-05.粒子群優(yōu)化算法崔長彩李兵張認成(華僑大學(xué)機電及自動化學(xué)院,福建泉州362021 )摘要論述粒子 群優(yōu)化算法( PSO )的基本原理、特點實現(xiàn)步驟,以及PSO的各種改進技術(shù),包括基于PSO參數(shù)的改進技術(shù)(主要是慣性權(quán)重)基于遺傳算法進化機理的改進技術(shù)(受遺傳算法啟發(fā)提出的帶交叉算子的PSO、帶變異算子的PSO、帶選擇算子的PSO),以及其他算法融合的改進技術(shù)(模擬退火PSO、免疫PSO、混沌PSO)并總結(jié)PSO熱點研究問題.關(guān)鍵詞粒子群 , 優(yōu)化算法,遺傳算法,慣性權(quán)重中圖分類號TP 301.6文獻標(biāo)識碼A1995年,Kennedy和Eberhartf12]提出一種較為新穎的優(yōu)化算法一粒子群優(yōu)化算法(ParticleSwarm Optimization ,PSO ).該算法與蟻群算法( Ant Colony Optimization , ACO )相似，也是一種基 于群體智能Swarm Inelligence , SI )的優(yōu)化算法即模擬鳥群覓食的過程,而其功能與遺傳算法( Genetic Algo-rithm ,GA )非常相似. PSO優(yōu)化算法起源于對簡單社會系統(tǒng)的模擬是-種很好的優(yōu)化工具由于其簡單易于實現(xiàn)的優(yōu)點被越來越多地應(yīng)用于函數(shù)優(yōu)化、神經(jīng)網(wǎng)絡(luò)訓(xùn)練模式分類,以及傳統(tǒng)優(yōu)化算法的應(yīng)用領(lǐng)域.但是其數(shù)學(xué)基礎(chǔ)不完善實現(xiàn)技術(shù)不規(guī)范在適應(yīng)度函數(shù)選取、參數(shù)設(shè)置、收斂理論等方面還存在許多需要深入研究的問題.圍繞PSO的實現(xiàn)技術(shù)和數(shù)學(xué)理論基礎(chǔ)以Kennedy和Eberhart 為代表的許多專家學(xué)者-直在對PSO做深入的探索尤其在實現(xiàn)技術(shù)方面提出了各種改進版本的PSO.1基本PSO原理和特點1.1 算法原理PSO的基本概念源于對鳥群(BirdFlock)捕食行為的研究,人們從鳥群捕食模型當(dāng)中得到啟示并用于解決優(yōu)化問題(1-3).在PSO中,每個優(yōu)化問題的解都是搜索空間中的一只鳥稱之為?？? Parti-cle).所有的粒子都有-個由被優(yōu)化的函數(shù)決定的適應(yīng)度值(FitnessValue)每個粒子還有-個速度( Velocity )決定它們飛翔的方向和距離. PSO初始化為-群隨機粒子(隨機解).然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中搜索找到最優(yōu)解.在每一次迭代/ 飛躍中粒子通過跟蹤兩個極值”來更新自己.第一個就是粒子自己找到的最優(yōu)解, 稱個體極值( Personal Best );另-個極值是整個粒子群目前找到的最優(yōu)解稱全局極值( Global Best ).假設(shè)用X;=(xn x a .. xid )表示第i個粒子其中d是粒子的維數(shù),它經(jīng)歷過的最好位置(有最好的適應(yīng)值)表示為p.=(pa P2 P3. Pu )而整個群體經(jīng)歷過的最好位置表示為gn=(Pa1 Pea Ps,.. pa:).粒子i的速度用V;=( 0; v2 D3... pia )表示.對于每一代個體在找到兩個最優(yōu)值時粒子根據(jù)如下公式來更新自己的速度和位置(45)即'd = wXDu +C; X randon( ) x(pad - xn中國煤化工 -xa), .(1)x;a=xij(2 ):fYHCNMHG收稿日期2006-03-08作者簡介崔長彩 1972-)女副教授博士后主要從事精密測量技術(shù)與優(yōu)化算法方面的研究. E-mail xcuichc@ hqu.edu. cn基金項肪韻建猶青年科技人才創(chuàng)新基金資助項目(2005J030)344華僑大學(xué)學(xué)報(自然科學(xué)版)2006年其中20為慣性權(quán)重random( )是介于(0 1 )之間的隨機數(shù)& r2 是學(xué)習(xí)因孔(或者稱為加速度系數(shù)).另外粒子的每一維速度都會被-一個最大速度Vm.限定如果某一維的速度更新后的速度超過用戶設(shè)定的V.那么這一維的速度就被限定為V. .1.2基本PSO實現(xiàn)步驟PSO主要有6個基本實現(xiàn)步驟4).( 1 )初始化每個微粒的起始位置和速度.( 2 )計算每一個微粒的適應(yīng)度值.( 3 )對于每一個微粒，如其適應(yīng)度值優(yōu)于其本身經(jīng)歷過的最好位置則用當(dāng)前的適應(yīng)度值作為其新的最好位置.(4)對于整個微粒群如果存在這樣的個體其適應(yīng)度值優(yōu)于整個微粒群的歷史最好位置則用整個微粒群中適應(yīng)度值最好的個體作為新的整體最好位置.(5)對于每一個微粒先根據(jù)方程(1)重新計算微粒的速度然后根據(jù)方程(2)重新計算微粒的位置.(6)如果達到最大迭代次數(shù)或者最小準(zhǔn)則終止程序否則跳轉(zhuǎn)到步驟( 2).1.3基本PSO的特點雖然PSO的功能與遺傳算法非常相似,但是其實現(xiàn)技術(shù)卻有如下5個顯著的優(yōu)點.( 1 )無交叉和變異運算依靠粒子速度完成搜索.(2)有記憶性粒子和群體的歷史最好位置可以記憶并傳遞給其他粒子.( 3 )需調(diào)整的參數(shù)較少結(jié)構(gòu)簡單易于實現(xiàn).( 4 )采用實數(shù)編碼，直接由問題的解決定問題解的變量數(shù)直接作為粒子的維數(shù).(5)收斂速度快在迭代進化中只有最優(yōu)的粒子把信息傳遞給其他粒子，屬于單向信息流動.2 PSO改進技術(shù)由于粒子群優(yōu)化算法是-種比較新穎的進化算法,在近10年的發(fā)展中其數(shù)學(xué)理論基礎(chǔ)、實現(xiàn)技術(shù)、應(yīng)用技術(shù)等方面都獲得許多進展.以Kennedy和Eberhart為代表的許多專家、學(xué)者都對其產(chǎn)生極大的興趣并在各自的領(lǐng)域內(nèi)進行了許多卓有成效的探索.PSO的改進技術(shù)主要圍繞基于PSO參數(shù)(主要是慣性權(quán)重)的改進技術(shù)基于進化機理的改進技術(shù)與其他算法融合的改進技術(shù)等等.2.1基于 PSO參數(shù)的改進技術(shù)對PSO參數(shù)的研究主要針對式1 )中的慣性權(quán)重w、學(xué)習(xí)因子c1和c2其中對PSO參數(shù)取值的改進技術(shù)中研究最多的是，關(guān)于慣性權(quán)重的取值問題. PSO最初的算法是沒有慣性權(quán)重的12].自從PSO基本算法中對粒子的速度和位置更新引入慣性權(quán)重45] ,包括Eberhart ,Shi 等在內(nèi)的許多學(xué)者對其取值方法和取值范圍作了大量的研究(6-9].目前大致可分為固定慣性權(quán)重取值法'121、線性自適應(yīng)慣性權(quán)重取值法(45)、非線性慣性權(quán)重取值法10-13)等.最初的PSO算法可認為是將慣性權(quán)重固定為1~3)后來,Shi等'4~6]建議按照線性遞減規(guī)律改變慣性權(quán)重取值其具體計算公式為(l) =- max_( w; -w{)+ o)p(3 )式中1當(dāng)前進化代數(shù)1ms最大進化代數(shù)0;初始慣性權(quán)重w1最終慣性權(quán)重.線性慣性權(quán)重的引入可以調(diào)節(jié)PSO的局部與全局搜索能力.為改善PSO局部與全局搜索增強PSO對復(fù)雜系統(tǒng)的尋優(yōu)能力Shi等又提出模糊慣性權(quán)重取值法'10].該法需要在優(yōu)化之前根據(jù)專家知識建立模糊控制規(guī)則具體規(guī)則有9條即有兩個輸入和一個輸出每個輸入和輸出定義了3個模糊集.其中,-個輸入為當(dāng)前的全局最好適應(yīng)值另一個為當(dāng)前的慣性權(quán)重而輸出為慣性權(quán)重的變化.張麗平等"提出隨機慣性權(quán)重取值法,以更好地平衡算法在搜索過程中的尋優(yōu)能力使其更好地適應(yīng)復(fù)雜系統(tǒng)的實際環(huán)境其方法是先根據(jù)適應(yīng)值定義一個最優(yōu)適應(yīng)值變化率k即h =((I)-J(t- 10中國煤化工(4)上式中1( t )是種群在第t代的最優(yōu)適應(yīng)值( t- 10 )是和YHCNMHG適應(yīng)值k表示在進化10代內(nèi)最優(yōu)適應(yīng)值的相對變化率.當(dāng)h≥0.05時慣性權(quán)重按c=a +0. 5r取隨機值而h<0.05時,則按o=ar +0.5r取值.其中r是[01 ]之間的隨機數(shù).數(shù)學(xué)期望值將隨k:而變當(dāng)k≥0. 05時期望值比wo)=a| +0.25 ;而當(dāng)k<0.05 時期望值E w)=a2 +0.25 ,且令a1>a2.為了改害算法的收斂速度和對多維空間的精細搜索能力,Chatterjee等121提出非線性慣性權(quán)重的第4期崔長彩等:粒子群優(yōu)化算法PSO其慣性權(quán)重的自適應(yīng)變化式為a(t) =[(tmx -t)"/( tmax)"]w; -w)+ W)p.(5 )在式(5 )中n為非線性調(diào)節(jié)指數(shù).對n取值為0.6 0.8 ,1.0 1.2和1.4等作了實驗研究給出不同指數(shù)取值時慣性權(quán)重隨進化迭代次數(shù)的變化規(guī)律.其中,當(dāng)n取值為1.0時慣性權(quán)重為線性變化規(guī)律.為改善線性減小慣性權(quán)重存在的不足王啟付等(13)提出了一種動態(tài)改變慣性權(quán)重的粒子群算法,即在優(yōu)化迭代過程中慣性權(quán)重值隨粒子的位置和目標(biāo)函數(shù)的性質(zhì)而變化，從而增強了搜索方向的啟發(fā)性.其方法是在慣性權(quán)重計算中引入工程指數(shù)項e即at)=e/d-'.其中a'=-21Nx)(xmin)I 1=0,mi= I1 2.. (x.)=_ min (x)(x{)為第i個粒子在第t代的適應(yīng)度值( xm )為最優(yōu)粒子在第t代的適應(yīng)度值.除了對慣性權(quán)重取值方式的研究同時還對其取值區(qū)間的探討,目前除了將其固定為1.0之外還有0.9 0.4]5b)[0.95 0.214)[ 1.4 ρ]4等.2.2基于遺傳算法進化機理的改進技術(shù)PSO是一種隨機優(yōu)化技術(shù)其實現(xiàn)技術(shù)與遺傳算法( GA )非常相似15.16).受GA的啟發(fā)人們提出多種改進的PSO算法,如帶交叉算子的PSO、帶變異算子的PSO、帶選擇算子的PSO等等. Lovbjerg等17]在粒子群每次迭代后按幾率在粒子間交換各維通過交叉來生成更優(yōu)秀的粒子算法對某些多峰函數(shù)效果較好. Higashi 等18)提出帶變異算子的粒子群優(yōu)化算法希望引入變異算子增加群體的多樣性避免陷入局部最優(yōu).呂振肅等I9'提出了-種新的基于群體適應(yīng)度方差自適應(yīng)變異的粒子群優(yōu)化算法.該算法在運行過程中根據(jù)群體適應(yīng)度方差及當(dāng)前最優(yōu)解的大小,來確定當(dāng)前最佳粒子的變異概率,變異操作增強了粒子群優(yōu)化算法跳出局部最優(yōu)解的能力.針對PSO算法存在易陷入局部最優(yōu)點的缺點李寧等'20)提出了帶變異算子的PSO算法.它在算法搜索的后期引入變異算子使算法擺脫后期易于陷入局部極優(yōu)點的束縛同時又保持前期搜索速度快的特性.付國江等(21 )提出了一種新型的PSO變異策略CP。 變異.該變異首先定義了全局收斂度最大位置C并在搜索循環(huán)的每次迭代中,以一定的概率交替使用C和P。(所有粒子歷史最好位置)來代替原迭代公式中的P.通過對4個多峰的測試函數(shù)所做的對比實驗表明,C變異增強了搜索能力求得全局最優(yōu)的成功率和收斂到速度大為提高.方法克服了原始的PSO算法易于收斂到局部最優(yōu)點的缺點,也明顯優(yōu)于對原始PSO進行傳統(tǒng)變異的方法. Angeline' 2將選擇算子引入PSO中選擇每次迭代后的較好粒子復(fù)制到下一代，以保證每次迭代的粒子群都具有較好的性能.這種算法對某些單峰函數(shù)效果較好.2.3與其他 優(yōu)化算法融合的改進技術(shù)實踐表明各種計算方法都有其各自的優(yōu)點和長處而粒子群優(yōu)化算法同樣具有其特點和優(yōu)點,但是還存在許多不足之處.因此人們希望通過借鑒其他算法的優(yōu)點取長補短,改善和提高PSO算法的精確性、穩(wěn)定性和適應(yīng)性.吳曉軍等(231提出一個比遺傳規(guī)劃算法GP更優(yōu)的GA-PSO混合的規(guī)劃算法.方法通過將層次型問題的描述轉(zhuǎn)換為固定長度線形結(jié)構(gòu)的描述方式使GP算法與GA規(guī)劃算法達到統(tǒng)一通過構(gòu)造運算符將PSO算法引入到GA規(guī)劃算法框架之中形成GA-PSO混合規(guī)劃算法.結(jié)果從解的描述、遺傳算子、PSO運算符的構(gòu)造再到GA-PSO算法框架提出了完整的GA-PSO混合規(guī)劃算法.高鷹、高尚等24-26]提出模擬退火算法( Simulating Algorithm , SA )思想的粒子群優(yōu)化算法.在基本粒子群優(yōu)化算法中雖然粒子速度作了限制不會變化太大但位置更新時未作限制就有可能新的位置會變得很壞引起收斂速度緩慢所以對更新的位置也要作限制.限制方法采用模擬退火算法思想其基本思想是從-給定解開始的,從鄰域中隨機產(chǎn)生另一個解接受準(zhǔn)則允許目標(biāo)函數(shù)在有限范圍內(nèi)變壞,以-定概率接受新的解.高尚等25)給出了3種方法改進.受生物體中國煤化Iicial Immunity,Al )的啟發(fā)高鷹等127)把免疫系統(tǒng)的免疫信息處理機制引入到CNMHG了免疫粒子群優(yōu)化算法.這種免疫粒子群優(yōu)化算法結(jié)合了粒子群優(yōu)化算法具有的全局尋優(yōu)能力和免疫系統(tǒng)的免疫信息處理機制實現(xiàn)簡單,改善了粒子群優(yōu)化算法擺脫局部極值點的能力提高了算法進化過程中的收斂速度和精度.文[ 28 ~31 ]把混沌尋優(yōu)( Chaos )思想引入到粒子群優(yōu)化算法中提出混沌粒子群優(yōu)化算法.這種方法利用混沌逸動的隨機性、遍歷性和規(guī)律性等特性對當(dāng)前粒子群體中的最優(yōu)粒子進行混沌尋優(yōu)然346華僑大學(xué)學(xué)報(自然科學(xué)版)2006年后把混沌尋優(yōu)的結(jié)果隨機替換粒子群體中的一個粒子.通過這種處理使得粒子群體的進化速度加快,從而改善了粒子群優(yōu)化算法擺脫局部極值點的能力提高了算法的收斂速度和精度.3 PSO熱點研究問題PSO一種新興的優(yōu)化算法其數(shù)學(xué)基礎(chǔ)薄弱在收斂性理論、計算性能、實現(xiàn)技術(shù)和參數(shù)的設(shè)置等方面缺乏嚴(yán)密的數(shù)學(xué)基礎(chǔ)其應(yīng)用大多數(shù)仍然依靠經(jīng)驗和實驗.因此，文[32 ,33 ]展開了-系列研究取得了-些建設(shè)性成果,如關(guān)于算法收斂性的分析.值得一提的是早期的PSO主要應(yīng)用于連續(xù)空間優(yōu)化問題34-361.隨著實現(xiàn)技術(shù)的發(fā)展和工程問題的需要,PSO也被大量用于離散優(yōu)化問題并取得令人滿意結(jié)果,但是對其應(yīng)用領(lǐng)域的研究還需進一步 加強.2004年,EEE 進化計算會議PSO專集( Guest EditorialSpecial Issue on Particle Swarm Optimization )指出了PSO目前研究的主要問題(37)算法收斂性的分析、粒子群拓撲結(jié)構(gòu)、參數(shù)選擇與優(yōu)化、與其他進化算法融合技術(shù)、應(yīng)用領(lǐng)域的開拓等等.毋庸置疑,對PSO算法數(shù)學(xué)基礎(chǔ)、實現(xiàn)技術(shù)、應(yīng)用領(lǐng)域的深入研究仍將是PSO的研究熱點而且可能需要相當(dāng)長的時間.PSO作為一種發(fā)展僅僅10年的優(yōu)化算法,引起人們的廣泛關(guān)注.盡管它還有許多不盡人意的地,方需要進一步的發(fā)展和完善但是其優(yōu)勢給了它強大的生命力.目前,關(guān)于PSO的國外文獻較多并開辟有專門的網(wǎng)站( http ://www. particleswarm. net ) ,而國內(nèi)研究剛剛起步,所 見文獻主要集中在近幾年,而且相對較少.參考文1 Kennedy J , Eberhart R C. Particle swarm optimizatior[ J] . Institute of Electrical and Electronics Engineers ,1995 ( 11 ):1942~1 9482 Eberhart R C , Kennedy J. A new optimizer using particle swarm theory[ J ]. Institute of Electrical and Electronics Engi-neers ,1995 ( 10 ) 39 ~433 Kennedy J. The particle swarm : Social adaptation of knowledgeC J ] Institute of Electrical and Electronics Engineers ,1997,( 4):303 ~ 3084 Shi Y , Eberhart R C. A modified particle swarm optimizer[ J ] Institute of FElectrical and Electronics Engineers , 1998 ,(5):69 ~735 Shi Y , Eberhart R C. Parameter selection in particle swarm optimization[ J ] Lecture Notes in Computer Science ,1998 ( 1447 ) :591 ~ 6006 Shi Y , Eberhart R C. Empirical study of particle swarm optimization[ J ] Institute of Electrical and Electronics Engineers ,1999 (7 )1 945~1 9507 Clerc M. The swarm and the queen :Towards a deterministic and adaptive particle swarm optimization[ J ] Institute of Elec-trical and Electronics Engineers 1999 ,(7 ):1 951~1 9578 Eberhart R C ,Shi Y. Comparing inerta weights and constriction factors in particle swarm optimization[ J ] Institute of Elec-trical and Electronics Engineers ,2000 ,( 7 ):84~889 Yasuda K ,Ide A , Iwasaki N. Adaptive particle swarm optimization[ J ] Institute of Electrical and Electronics Engineers ,2003 ( 10):1 554~1 55910 Shi Y , Eberhart R C. Fuzzy adaptive particle swarm optimization[ J ] Institute of Electrical and Electronics Engineers ,2001 ,(5):101 ~ 10611 張麗平,俞歡軍,陳德釗,等.粒子群優(yōu)化算法的分析與改進J]信息與控制,2004 ,33(5):513 ~51712 Chatterjee , Siarry P. Nonlinear inertia weight variation for dynamic adaptation in particle swarm optimizatior[ J ]. Computers& Operations Research ,2006 ,335( 3 ) :859 ~ 87113 王啟付,王戰(zhàn)江,王書亭.一種動態(tài)改變慣性權(quán)重的粒子群中國煤化工.2005 ,16 11 ):945 -94814 Suganthan P N. Particle swarm optimizer with neighborhood operl:TYHCN M H G and Eleronies Engines,1999 (7):1 958 ~1 96215 Eberhart R C ,Shi Y. Comparison between genetic algorithms and particle swarm optimization[ J ] Lecture Notes in Com-puter Science ,1998 ,( 1 447 ):611 ~61616 RobinsonJ , Sinton S , Rahmat-Sami Y. Particle swarm optimization , genetic algorithm , and their hybrids : Optimization ofa pofiriarilgated horn antenna [ J] IEEE Antennas Propag Soc APS Int Symp ,2002 ,( 1 ):314 ~317第4期崔長彩等:粒子群優(yōu)化算法34717 Lovbjerg M , Rasmussen T K , Krink T. Hybrid particle swarm optimizer with breeding and subpopulations[ J ] Institute ofElectrical and Elctronics Engineers ,2001 ,( 7 ):115~118 .18 Higashi N , Iba H. Particle swarm optimization with Gaussian mutation[ J ] Institute of Electrical and Electronics Engi-neers ,2003 ,( 4 ):72 ~7919 呂振肅候志榮.自適應(yīng)變異的粒子群優(yōu)化算法J]電子學(xué)報,2004 ,32(3 ) 416 ~42020李寧孫德寶岑翼剛等，帶變異算子的粒子群優(yōu)化算法J]計算機工程與應(yīng)用2004 AO( 17)12~14 3521 付國江,王少梅,李 寧一種新的PS0變異策略[ J]武漢理工大學(xué)學(xué)報(信息與管理工程版),2005 ,27(2):192 ~ 19622 Angeline P J. Using selection to improve particle swarm optimization[ J ] Institute of Electrical and Electronics Engineers ,1998 ,(5)84 ~ 8923 吳曉軍,薛惠鋒,李 憋,等.GA-PSO混合規(guī)劃算法J]西北大學(xué)學(xué)報(自然科學(xué)版) ,2005 ,35( 1 )39 ~4324高鷹,謝勝利.基于模擬退火的粒子群優(yōu)化算法[ J]計算機工程與應(yīng)用,2004 ,40( 1 ):47 ~5025 高尚,楊靜宇,吳小俊,等.基于模擬退火算法思想的粒子群優(yōu)化算法[ J]計算機應(yīng)用與軟件,2005 ,22( 1 ):103~104 8026 竇全勝,周春光,馬 銘.粒子群優(yōu)化的兩種改進策略[ J]計算機研究與發(fā)展2005 A42( 5 ):897 ~90427 高鷹,謝勝利.免疫粒子群優(yōu)化算法[ J]計算機工程與應(yīng)用2004 ,40(6):4~6 ,728 高鷹,謝勝利.混沌粒子群優(yōu)化算法[ J]計算機科學(xué)2004 31(8):13~1529楊俊杰 ,周建中,喻菁,等.基于混沌搜索的粒子群優(yōu)化算法[ J].計算機工程與應(yīng)用,2005 ,41( 16):69~7130 Jiang Chuanwen , Etorre B. A hybrid method of chaotic particle swarm optimization and linear interior for reactive power op-timizatior[ J ] Mathematics and Computers in Simulation ,2005 68( 1 ):57 ~6531 Jiang Chuanwen , Etorre B. A self-adaptive chaotic particle swarm algorithm for short term hydroelectric system scheduling inderegulated environmen[ J ] Energy Conversion and Management ,2005 ,46( 17 ):2 689 ~2 69632 Clerc M , Kennedy J. The particle swarm : Explosion stability and convergence in a multi-dimensional complex space[ J ]IEEE Trans Evolution Comput ,2002 ,6( 1 ):58 ~7333 Trelea I C. The particle swarm optimization algorithm : convergence analysis and parameter selectior[ J ] Information Pro-cessing Letters ,2003 ,85(6 ):317 ~32534 Yoshida H , Fukuyama Y , Takayama S ,et al. A particle swarm optimization for reactive power and voltage control in elec-tric power systems considering voltage security assessment[ J ] Institute of Eletrical and Electronics Engineers , 1999 ,( 10 ):497 ~ 50235 NakaS , Genji T , Yura T ,et al. Practical distribution state estimation using hybrid particle swarm optimization[ J ] Insti-tute of Electrical and Electronics Engineers , 2001 ( 2 ) 815 ~ 82036 Van-Den B F , Engelbrecht A P. Training product unit networks using cooperative particle swarm optimizers[ J] Institute ofElectrical and Electronics Engineers ,2001 ,( 7 ) :126~ 13137 Eberhart R C ,Shi Y. Guest editorial special Issue on particle swarm optimization[ J ]. IEEE Transactions on EvolutionaryComputation , 2004 ,8(3 ):201 ~ 203Particle Swarm OptimizationCui ChangcaiLi BingZhang Rencheng( College of Mechanical Engineering and Automation , Huaqiao University ,362021 , Quanzhou , China )Abstract The particle swarm optimization( PSO ) was introduced about its fundamentals , characteristics , implementationsteps , and its improved versions , which were based on the parameter updating( mainly inertia weight ) , or iluminated by the evo-lutionary principles of genetic algorithm( GA X e.g PSOs with crossover，mutation or selection operator ) , or combined with oth-er algorithm( e. g. simulating annealing PSO , immune PSO , chaotic中國煤化工”) were summarized too.Keywords particle swarm , optimization algorithm , genetic algorithYTHCNM HG