粒子群算法：优化参数、改进拓扑结构、混合算法

粒子群优化算法（Particle Swarm Optimization，PSO）产生的背景是人工生命的研究。人工生命是研究具有某些生命基本特征的人工系统，即如何利用生物技术研究计算问题。现在已经有许多源于生物现象的算法，例如，人工神经网络是简化的人类神经系统模型，遗传算法是对基因进化过程的模拟。粒子群算法源于对鸟类捕食行为的研究，也是一种启发式进化计算技术，最早是由Eberhart和Kenne-dy于1995年提出，他的基本概念源于对鸟群捕食行为的研究，设想有这样一个场景：一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有的鸟都不知道食物在哪里，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算法就从这种生物种群行为特性中得到启发并用于求解优化问题，是基于个体的协作与竞争来完成复杂搜索空间中最优解的搜索，是一种基于群体智能方法的进化计算技术。在PSO中，每个优化问题的潜在解都可以想象成D维搜索空间上的一个点，称之为“粒子”（Particle），所有的粒子都有一个被目标函数决定的适应值（Fitness Value），每个粒子还有一个速度决定它们飞翔的方向和距离。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己的位置，第一个是粒子本身所找到的最优解，这个解叫做个体极值p_best；另一个极值是整个群体中目前所找到的最优解，这个极值是g_best。然后粒子们就追随当前的最优粒子在解空间中搜索。

PSO与遗传算法类似，是一种基于群体的优化工具。与遗传算法比较，粒子群算法的优势在于简单和容易实现，同时又有深刻的智能背景，既适合科学研究又特别适合工程应用。PSO并没有遗传算法所采用的交叉（crossover）、变异（mu-tation）等操作，而是粒子在解空间追随最优的粒子进行搜索，具有简单容易实现的优点。但参数的设置往往对优化结果产生较大的影响，不恰当的参数设置同样也将使得优化过程陷入局部最优，造成群体早熟。因此，对粒子群算法参数设置方面的研究，对于处理复杂优化问题同样也是十分重要的。(www.xing528.com)

PSO的提出至今已经得到了广泛关注，在对粒子群算法的优化机理进行研究的基础上，对原有方法的改进和发展也是非常有必要的。在基本PSO算法的基础上，已经出现了各种有意义的改进PSO算法，例如自适应PSO算法、协同PSO算法、混合PSO算法等。目前对PSO算法的改进主要集中在以下一些方面：PSO参数改进与优化、粒子群拓扑结构改进、PSO混合算法。

粒子群优化方法在电力系统中主要应用于电网扩展规划、检修计划、机组优化组合、负荷经济调度、最优潮流计算与无功优化控制等方面。