调研方法：查阅收集微粒群算法的各种资料，学习软件开发环境，使用MATLAB完成对粒子群算法及其改进算法的设计与仿真。

可行性研究分析

本课题的研究意义

随着科学技术的飞速发展，粒子群算法已经应用到越来越多的领域。1995年Eberhart和Kennedy首先提出了粒子群算法（Particle Swarm Optimization，PSO）算法。通过对鸟群寻找食物过程的现象观察，模拟出了一种基于群体智能的全局随机搜索算法。作为一个新兴的领域，该算法已经引起了许多学科的学者的关注。鉴于科学研究和实际技术应用中不同问题的复杂性，局限性和非线性，当下很多项目都以寻找符合各类需求的新型智能优化方法作为重要的研究内容。人口智能优化是一种模仿自然人口生物行为的智能优化算法。该算法提供了一种更好的方法来解决复杂问题的最优解决方案，而无需集中控制，也没有全局模型。粒子群优化算法（PSO）是一种群体智能优化算法，因为粒子群优化的内涵比较简单，实现起来难度不大。为此，最近几年粒子群优化算法及其改进算法的研究和在工程上的应用逐渐成为研究的热点。然而，由于PSO算法的发展历史较短，其数学基础薄弱，没有理论分析，也没有普遍意义。包括不同搜索问题的收敛性、收敛速度的估计以及参数设置的影响。

由此，我可以通过本次课题进一步的了解PSO算法，借助标准函数实现对比算法性能。

粒子群算法的应用

粒子群优化算法（PSO）受到广泛关注，不同粒子群优化算法的结果已经从原来的函数优化和神经网络训练扩展到更宽广的领域，很大程度上使粒子群算法得以优化。粒子群优化算法的应用包括以下几点：

函数优化

PSO算法最初应用于函数优化，但后来学者们发现PSO在求解一些经典函数优化问题，甚至一些非线性函数方面表现出良好的性能。

神经网络训练

PSO算法也被应用于神经网络训练，取得了良好的效果。PSO算法是一种潜在的神经网络训练算法，用于对城市环境条件进行分析和预测，并取得了很高的成功率。

工程领域的应用

许多工程中的实际问题本质上是最优化问题，因此PSO算法可以自然地应用于实际工程问题。将PSO算法与BP神经网络相结合来训练神经子群优化和其他进化算法可以解决几乎任何优化问题，或者可以改变为优化问题。

技术可行性

如今计算机的发展已经达到了相当的成熟的阶段，价格低廉，但性能卓越。研究本课题只需用到MATLAB，这款软件存在许多版本便于下载，不用考虑兼容性问题。所以在技术条件方面基本不存在很大的问题，是完全可行的。

开发环境及MATLAB概述

开发硬件环境

CPU：

内存：

硬盘：

显示卡：Intel(R) HD Graphics Family 1760MB

MATLAB

MATLAB软件是与算法开发，数据分析、可视化及数值计算有关的高级技术的计算语言，能够在交互环境中进行处理和分析图像、语言等的计算语言。 软件基本以 和 两个部分为主。

其也是MATLAB矩阵实验室的简称，与 以及 Maple一起， 是国际通行的三大数学处理软件之一。 缩写为 。MATLAB，Mathematica和Maple也被称为世界上最重要的三种数学处理软件，MATLAB在数值计算中的相关功能在数学科学和技术应用中是无与伦比的。MATLAB的主要功能是实现相关的矩阵运算，由此借助函数和数据保证有关算法的实现，构建用户界面，将和其他编程语言有关的程序连接起来。工程计算和控制设计、图像处理、信号检测、模型设计和剖析、信号处理和通信及金融建设等各个领域都有着MALTAB的广泛应用。在本文的具体设计过程，将针对MATLAB的仿真粒子群算法和有关的粒子群算法怎样进行应用及具体的应用方法予以介绍。