本文介绍了基于模拟退火思想的粒子群优化算法（SA-PSO），在SA-PSO中，粒子群的适应值按Metropolis准则接受优化解的同时概率恶化解，算法从局部极值区域中跳出，自适应调节退火温度，随着温度逐渐下降，粒子逐渐形成能量基态，收敛至全局最优解，本文通过仿真实验并借鉴前人的研究成果，证明模拟退火算法改善了PSO摆脱局部极值点的能力，同时提高了算法的收敛速度和精度。

本文的主要内容

论文主要介绍了基本粒子群算法以及基于模拟退火技术的粒子群优化算法的算法原理以及特点。通过对两种算法进行理论与实验分析，用matlab实现对两种算法在不同类型的测试函数下进行具体分析，经过多组实验进行对比分析，得出结论。加入模拟退火思想的粒子群算法以一定的概率同时接受坏解，该算法是针对局部极值点而言的，则在迭代次数足够多的情况下，很容易从局部极值区域中跳出，改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。

模拟退火算法以基本粒子群算法运算流程为主体流程，为把模拟退火机制引入其中，采用杂交PSO算法中的杂交运算和带高斯变异的PSO算法中的变异运算，进一步调整优化群体。整个算法的执行过程由两部分组成，首先通过基本的粒子群优化算法的进化操作主要侧重全局搜索，产生出比较优良的一个群体，然后再应用杂交运算和变异运算在模拟退火操作（主要侧重局部搜索）下来进行进一步优化调整。进化过程反复迭代，直到满足条件。

基于模拟退火思想的粒子群算法，与以往的近似算法相比，模拟退火算法具有描述简单、使用灵活、运用广泛、运行效率高和较少受到初始条件约束等优点，自提出以来就得到了广泛的应用。

本文则通过对模拟退火算法进行仿真实验，在不同的测试函数中进行比较输出性能，结果显示如果迭代次数足够多，则就会以一定的概率接受坏解，从而跳出局部极值，达到更好的搜索性能。

基于模拟退火思想的粒子群优化算法

算法基本思想

模拟退火粒子群优化算法的基本思想主要体现在两个方面：

（1）采用模拟退火序列初始化粒子的位置和速度，既不改变粒子群优化算法初始化时所具有的随机性本质，又利用模拟退火提高了种群的多样性和粒子搜索的遍历性，在产生大量初始群体的基础上，从中择优出初始群体。

（2）加入模拟退火的技术能大幅度改进系统性能，加大信息吞吐量和提高运算速度。将模拟退火思想意图加入PSO算法中，使每个粒子的速度和位置更新过程中加入模拟退火机制，对粒子群进化后的适应值按Metropolis准则接受优化解的同时概率恶化解，算法从局部极值区域中跳出，自适应调节退火温度，随着温度逐渐下降，粒子逐渐形成能量基态，收敛至全局最优解。

算法的程序流程框图

图4-1为基于模拟退火思想的粒子群算法的流程框图，该算法先执行基本PSO算法，得到一组比较优的解，然后引入模拟退火思想，在基本PSO算法的到得这组比较优的的解中，先进行杂交，以一定的概率接受比自己坏的解，经过杂交后得出的一组新解，然后在按照变异概率选择新的子种群，进行变异操作，更新子种群。最好输出最优解。