作为一种相对较新的算法，粒子群优化算法可以在尽可能降低计算成本的代价下找到最优解，但并不能完全保证解的最优性，甚至不能用所得的最优解来表示与真正的最优解的近似的程度。

粒子群优化的优点是概念简单，只需要在计算机上实现基础数学知识; 优化的要求也较低，可以是黑盒问题，而且不需要明确的形式，求解快，可以在尽可能降低计算成本的代价下找到最优解，并且强大的全局搜索能力。 在大多数情况下，局部最优可以被克服。 缺点是缺乏理论依据，无法确保严格的收敛，为了确保求解和最优性的可行性，甚至不能用所得的最优解来表示真正的最优解的近似解的程度，况且局部搜索能力也很弱，在遇到多峰问题，仍然可能导致局部最优，丧失全局优化的能力。

本文研究内容

粒子群优化算法一直都是智能算法里面一个非常重要的研究内容，其通过模拟自然界中动植物的规律来把他们运用到实际的优化算法中。这方法以其简单、易行等优点使其备受关注。

粒子群优化算法的优势是概念简单，只需要略懂计算机方面就能取得很好的成果，但是同时粒子群优化算法也存在问题，就是在克服局部最优的情况下很难确保严格收敛。本文主要的研究内容集中在粒子群优化算法的性能以及如何在克服局部最优的情况下尽量确保收敛，同时也希望提高其在不同算法中的效果，增加其普遍性。

本文研究了基于专业化分工的改进思路。通过在MATLAB中改写基础的路族群优化算法来观察改进后的算法对与原算法在对不同的函数进行优化时的效果。计算机仿真的结果表明，大多数情况下优化后的算法无论是求解速度还是在最优解方面都有很好的作用，比传统的算法更有优势。来,自,优.尔:论;文*网www.youerw.com +QQ752018766-

全文安排

本文共分五章：

第一章简单介绍了研究背景及意义，并针对本课题介绍了常见的四种智能算法的特点，最后提出本文的研究内容和文章安排。

第二张重点介绍了粒子群优化算法的研究现状以及基本原理，同时还介绍了几种改进的粒子群优化算法，是开展课题工作的铺垫和基础。

第三章主要介绍了基于专业化分工的粒子群优化算法（DSPSO），其通过改变搜索方法，通过专业化分工，是粒子群分为2个开采者和1个探索者，分工合作来优化算法，使其达到更好的寻优能力以及收敛能力，同时可以使其适应多种不同的函数。

第四章主要是根据上一章的内容对算法进行验证，并分析MATLAB软件中的实验结果，并对改进后的算法与基础算法进行比较分析。

第五章是对本文工作的总结以及对之后粒子群优化算法的展望。