众文网1.我要写一篇关于粒子群最优化算法（PSO）的论文,还需要一个关于这
摘自：人工智能论坛 1。
引言 粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation），有Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究 PSO同遗传算法类似，是一种基于叠代的优化工具。
系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉（crossover）以及变异（mutation）。
而是粒子在解空间追随最优的粒子进行搜索。详细的步骤以后的章节介绍 同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。
目前已广泛应用于函数优化，神经网络训练，模糊系统控制以及其他遗传算法的应用领域 2。 背景： 人工生命 "人工生命"是来研究具有某些生命基本特征的人工系统。
人工生命包括两方面的内容 1。 研究如何利用计算技术研究生物现象 2。
研究如何利用生物技术研究计算问题 我们现在关注的是第二部分的内容。 现在已经有很多源于生物现象的计算技巧。
例如， 人工神经网络是简化的大脑模型。 遗传算法是模拟基因进化过程的。
现在我们讨论另一种生物系统- 社会系统。 更确切的是， 在由简单个体组成的群落与环境以及个体之间的互动行为。
也可称做"群智能"（swarm intelligence）。 这些模拟系统利用局部信息从而可能产生不可预测的群体行为 例如floys 和 boids， 他们都用来模拟鱼群和鸟群的运动规律， 主要用于计算机视觉和计算机辅助设计。
在计算智能（computational intelligence）领域有两种基于群智能的算法。 蚁群算法（ant colony optimization）和粒子群算法（particle swarm optimization）。
前者是对蚂蚁群落食物采集过程的模拟。 已经成功运用在很多离散优化问题上。
粒子群优化算法（PSO） 也是起源对简单社会系统的模拟。 最初设想是模拟鸟群觅食的过程。
但后来发现PSO是一种很好的优化工具。 3。
算法介绍 如前所述，PSO模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机搜索食物。
在这个区域里只有一块食物。所有的鸟都不知道食物在那里。
但是他们知道当前的位置离食物还有多远。 那么找到食物的最优策略是什么呢。
最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 PSO从这种模型中得到启示并用于解决优化问题。
PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。
所有的例子都有一个由被优化的函数决定的适应值（fitness value），每个粒子还有一个速度决定他们飞翔的方向和距离。 然后粒子们就追随当前的最优粒子在解空间中搜索 PSO 初始化为一群随机粒子（随机解）。
然后通过叠代找到最优解。在每一次叠代中，粒子通过跟踪两个"极值"来更新自己。
第一个就是粒子本身所找到的最优解。这个解叫做个体极值pBest。
另一个极值是整个种群目前找到的最优解。 这个极值是全局极值gBest。
另外也可以不用整个种群而只是用其中一部分最为粒子的邻居，那么在所有邻居中的极值就是局部极值。 在找到这两个最优值时， 粒子根据如下的公式来更新自己的速度和新的位置 v[] = v[] + c1 * rand() * (pbest[] - present[]) + c2 * rand() * (gbest[] - present[]) (a) present[] = persent[] + v[] (b) v[] 是粒子的速度， persent[] 是当前粒子的位置。
pbest[] and gbest[] 如前定义 rand （) 是介于（0, 1）之间的随机数。 c1, c2 是学习因子。
通常 c1 = c2 = 2。 程序的伪代码如下 For each particle ____Initialize particle END Do ____For each particle ________Calculate fitness value ________If the fitness value is better than the best fitness value (pBest) in history ____________set current value as the new pBest ____End ____Choose the particle with the best fitness value of all the particles as the gBest ____For each particle ________Calculate particle velocity according equation (a) ________Update particle position according equation (b) ____End While maximum iterations or minimum error criteria is not attained 在每一维粒子的速度都会被限制在一个最大速度Vmax，如果某一维更新后的速度超过用户设定的Vmax，那么这一维的速度就被限定为Vmax 4。
遗传算法和 PSO 的比较 大多数演化计算技术都是用同样的过程 1。 种群随机初始化 2。
对种群内的每一个个体计算适应值（fitness value）。适应值与最优解的距离直接有关 3。
种群根据适应值进行复制 4。 如果终止条件满足的话，就停止，否则转步骤2 从以上步骤，我们可以看到PSO和GA有很多共同之处。
两者都随机初始化种群，而且都使用适应值来评价系统，而且都根据适应值来进行一定的随机搜索。两个系统都不是保证一定找到最优解 但是，PSO 没有遗传操作如交叉（crossover）和变异（mutation）。
而是根据自己的速度来决定搜索。粒子还有一个重要的特点，就是有记忆。
与遗传算法比较， PSO 的信息共享机制是很不同的。 在遗传算法中，染色体（chromosomes） 互相共享信息，所以整个种群的移动是比较均匀的向最优区域移动。
在PSO中， 只有gBest (or lBest) 给出信息给其他的粒子， 这是单向的信息流动。 整个搜索更新过程是跟随当前最优解的过程。
与遗传。
2.关于尘埃粒子的论文怎么写呀
我们知道大气的主要成份是氮气，约占78%，其次是氧气，约占21%，二氧化碳占0.25%，其余为其他气体和杂质等。
其它气体包含人们常说的氦、氖、氩、氙、氪等微量气体以及水蒸气。其它杂质指飘浮于空气中的灰尘、细菌、气溶剂等。
在通常情况下，空气是无色透明的，我们用肉眼在不经意中很难看到空气中的杂质。如果一缕阳光照射到屋内，此时你可以看到原本透明的空气，在阳光的照射下，尘埃粒子经光线折射、反射等作用，明显地飘浮于空气中，大大小小、密密麻麻。经科学统计，在室内环境下，每立方米的空气中，大于0.5μ以上的尘埃粒子粒子数大约为4000万~5000万个。而依附于尘埃粒子粒子中的细菌更是不计其数。
在空压机的作用下，如果不考虑与外界的热交换，依据相关公式的计算，原本常压状态下的4.8米3的空气，经压缩至0.8Mpa（表压）时，其体积最终被压缩成1米3。仅此过程即可得知，经压缩后的0 .8Mpa压力的气体，每立方米将会有19200万~24000万个大于0.5μ以上的尘埃粒子粒子。
尘埃粒子具有散射、反射光线和凝聚水汽等作用。光线只能直线传播，而数以亿计的尘埃粒子将光线散射、反射到四面八方，使世界呈现一片光明。当太阳辐射在大气中遇到空气分子或尘埃粒子时，就会发生散射作用。日出前的黎明、日落后的黄昏，在树阴下，在房间里，凡是阳光不能直射的地方，天空仍是明亮的，正是由于散射作用使得太阳辐射以空气分子、水汽和尘埃粒子的质点为中心，向四面八方传播，从而改变了太阳辐射的方向，使一部分太阳辐射到了没有被太阳光直接照射的地方。晴朗的天空，特别是雨过天晴时，天空呈现蔚蓝色；阴天，天空呈现灰白色，也正是尘埃粒子的散射作用形成的。
尘埃粒子具有反光镜的作用，把投射在它上面的一部分太阳辐射又反射到宇宙空间。夏季，当天空中的尘埃粒子增多时，白天的气温不会太高，也是这个原因。尘埃粒子还能阻挡一些有害射线进入地球。同时，城市上空的雾比郊区多，其原因就是城市空气中的尘埃粒子多于郊区。
尘埃粒子是吸湿性的微粒，可作为凝结核，使周围水汽在它上面凝结。因此，地球上的水汽不断蒸发，尘埃粒子在上空将水汽凝聚在一起，逐渐增多，于是形成降雨和降雪。假如世界上“一尘不染”，地球上昼夜温差将更会增大，也不再会有降雨和降雪了。
3.粒子群算法PSO写论文,有没有哪些创新点可以加进去
粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法（Evolutionary Algorithm - EA）。
PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交叉"（Crossover） 和"变异"（Mutation） 操作，它通过追随当前搜索到的最优值来寻找全局最优。这种算法以其实现容易、精度高、收敛快等优点引起了学术界的重视，并且在解决实际问题中展示了其优越性。
粒子群算法是一种并行算法。