197信息：技术与应用信息记录材料2022年12月第23卷第12期0引言在求解函数极值的问题中，当函数比较简单时，可以通过直接求解求得极值。但是，大部分函数是无法通过直接求解求得极值。这时就需要用到智能算法，在一个解空间中寻找最优极值解。传统的智能算法包括遗传算法、粒子群、鱼群算法等。其中，粒子群算法有简单易行、收敛速度快、设置参数少等优点。所以，本文采用粒子群算法来解决函数求极值的问题。1标准粒子群算法粒子群算法的思想来源于对鸟类捕食行为的研究，模拟大的鸟群落通过协同合作的捕食行为。行为基础就是共享自身与种群信息，根据此基础来判断食物所在。1.1粒子群算法简介鸟群中有很多只鸟，而每一只鸟都是一个问题，称为“粒子”。每个粒子在一个空间内进行搜索。其所在位置的好坏是由适应度函数决定的，也就是fitnessfunction。而且，每个粒子需要有记忆性和速度以决定飞行的位置与方向。这就需要粒子根据自身的经验与群体的经验来决定[1-2]。1.2粒子群算法的实现步骤（1）初始化种群。初始化，包括要达到的群体规模N。每一只鸟，也就是每一个粒子随机初始化位置向量Xi，随机初始化速度向量Vi。其中Xi=（xi1，xi2，…，xiD），Vi=（vi1，vi2，…，viD）。（2）将初始生成的随机位置向量中每一个xi代入所要求极值的函数f（xi），所求的函数极值就是适应度值Fitness（i）。（3）计算初始化的粒子的适应度值，将最开始计算的每个初始化粒子的适应度值储存为个体极值Pbest，将所有初始化粒子的个体极值Pbest进行比较，选择最优的作为当前全局最优，存入全局极值Gbest。（4）算法开始迭代，每迭代一次，对于每一个粒子，用其适应度值Fitness（i）和与上一次迭代的个体极值Pbest作对比，如果Fitness（i）优于个体极值Pbest，就用适应度值Fitness（i）替代个体极值Pbest。如果Fitness（i）并不优于个体极值Pbest，则保留个体极值Pbest[3-4]。（5）对于每一个粒子，用其适应度值Fitness（i）与上一次迭代的全局极值Gbest作对比，如果Fitness（i）优于全局极值Gbest，就用Fitness（i）替代全局极值Gbest。如果Fitness（i）并不优于全局极值Gbest，则保留全局极值Gbest。（6）更新粒子的位置Xi与速度Vi()()kk1k1k1idid11idid22ididvwvcrPbestxcrGbestx−−−=+−+−（1）11kkkidididxxv−−=+（2）其中，ω为惯性因子，较大的ω拥有较强的全局搜索能力，较小的ω拥有较强的局部搜索能力。c1与c2为学习因子，也称为加速常数，其中c1是个...
