● 摘要
优化问题是一个古老的问题，具有很强的实用背景，且广泛出现于科学研究、工艺改造、经济管理和工程技术等领域. 经典优化方法如牛顿梯度法、共轭梯度法和Power法等，具有较好的收敛性能，但仅适合于光滑问题．然而实际中许多问题是非光滑的. 不同于传统的优化算法，智能优化算法如遗传算法、蚁群算法和微粒群算法等，在解决优化问题时，由于不需要函数的光滑性，因而具有更强的实用性，可以解决一些复杂的优化问题.
本文研究了微粒群优化算法，该算法是受鸟群迁徙的启发，通过分析鸟群之间的飞行配合与集体协作，模拟鸟群迁徙过程所形成的一种智能优化算法. 该算法同其它进化算法一样对目标函数的形式没有具体要求，且不要求梯度信息. 此外，该算法操作简单，需调整参数少等特点，因此在诸如函数优化，神经网络训练，模糊控制系统等领域中得到了广泛的应用. 然而微粒群优化算法存在收敛速度较慢，在多峰函数的优化中容易早熟收敛等缺点. 为克服这些缺点和提高算法的收敛速度，人们提出了许多改进的微粒群优化算法，如惯性权重法，压缩因子法，自适应权重法等. 虽然这些方法较好地解决了早熟问题，但是还存在收敛速度慢且对高维问题难以计算等缺点. 在深入研究微粒群优化算法的基础上，通过对飞行速度增加时间因子，本文提出了具有时间因子的微粒群优化算法. 主要思想是通过引入时间因子调节并加速微粒的飞行速度，提高算法性能. 数值实验表明，具有时间因子的微粒群优化算法的收敛速度更快，运算达到的精度更高，运行更为稳定，并能有效克服局部极值.