pso算法结构

微粒群算法（Particle Swarm Optimization, PSO）的改进方法众多，主要可以分为七个类别:

• 第一类是采用多个子种群。柯晶采用双重视角，将微粒分为局部模式和全局模式两组，通过环形拓扑协同工作。CPSO-H则通过拆分输入向量和单维度优化，提高了处理高维问题的效率。Chow、冯奇峰和陈国初分别通过子群交互、区域分区和方向分群，增强群体多样性。


• 第二类是改进学习对象选取策略。Al-kazemi的多阶段PSO允许微粒根据临时目标调整；Ting和Liang的策略利用历史最优信息更新，CLPSO能保持多样性，提高多模问题性能。Zhao和Abdelbar引入适应度模糊度量，Wang则动态调整参数；崔志华采用动态调整极限位置，孟建良和Yang分别在初期和后期调整学习策略。


• 第三类是修改更新公式。Hendtlass赋予微粒记忆能力，He引入被动聚集机制；曾建潮和Zeng分别通过修正迭代和引入加速度，提升全局搜索。Ho的算法引入寿命变量，刘宇则调整更新策略以保持局部开采能力。


• 第四类是速度更新策略的改进。Liu和罗建宏提出松弛速度更新和异步模式，Yang引入感情心理模型，Liu动态控制速度阈值。


• 第五类是调整限制方法和动态空间。Stacey和Liu提出重新随机化，陈炳瑞动态压缩搜索范围。


• 第六类是结合其他搜索技术。Krink、Monson和Medasani通过整合遗传算法、概率模型等增强多样性和搜索能力。Zhao和Medasani分别提出MAS与PSO的融合，以及概率PSO。


• 第七类是针对多模问题的优化。Parsopoulos使用偏转、拉伸等技术寻找多个较优解，Jin和熊勇提出新函数变换方法。保持多样性的方法包括重置微粒或位置，以及自组织临界性和自适应逃逸算法。