粒子群优化算法(Particle Swarm Optimization,PSO)源于对鸟群运动行为的研究,它于1995年由Kenndy和Eberhart提出的,是一种基于群集智能优化算法的演化计算技术.由于它具有较强的全局搜索能力,较少的参数设置,简单容易实现,所以从一提出,就引起了许多学者的关注,并得到了迅速的发展,并被应用到了各个领域,如函数优化、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.模拟退火算法(Simulated Annealing,SA)源于对固体退火过程的模拟,是1982年由Kirkpatrick等引入组合优化领域,用以求解大规模组合问题,特别是NP完全组合优化问题的有效近似算法.它采用Metropolis接受准则,并用一组称为冷却进度表的参数控制算法进程,使算法在多项式时间里给出一个近似最优解.它具有跳出局部极值点的能力,能寻找到全局最优或近似最优,而与初始点的选择无关.模拟退火算法由于其固有的密集计算特性,存在的主要问题是运行时间长和计算内存大,而与其它算法的融合,能够从本质上减少计算时间.本文首先简要的回顾了群集智能算法理论产生的背景.总结了三种群集智能算法——蚁群算法、粒子群算法和人工鱼群算法的基本理论和发展现状.其次对粒子群算法进行了详细的分析.在介绍了原始PSO算法的基本原理、数学描述、算法参数和流程的基础上,又介绍了标准PSO算法.再次通过对十年来粒子群改进算法的研究,提出了四种改进思路,并介绍了几个典型的改进模型.最后提出一种新的改进算法,将模拟退火思想和变异算子引入粒子群算法之中,比较三种不同的变异算子对函数的影响,并与标准粒子群算法和简单的模拟退火算法进行比较,验证该算法在避免过早的陷入局部极值等方面有比较好的效果.