- 文献综述（或调研报告）：
粒子群优化算法自提出以来，己经历了许多变形和改进。各类研究学者对粒子群优化算法取得了大量的研究成果和经验，这为粒子群优化算法的发展提供了可靠的基础，并为实际的工程应用指引了新的方向。IEEE计算智能协会(IEEE Computational Intelligence Society) 于2003年在美国召开第一届国际智能研讨会(IEEE Swarm Intelligence Symposium),粒子群优化算法是会议的重要主题。此后每年都会举办一次国际群智能研讨会。IEEE Transaction on Evolutionary Computation，Natural Computing(Springer), Evolutionary Computation等权威杂志发表了许多关于粒子群优化算法理论及应用研究成果的文章。
许多国家的高校设立了研究群智能优化算法的课题组或实验室。如美国的Indiana 大学、Purdue大学、Iowa州立大学，英国的Huntingdon大学，美国劳工统计局的心理研究中心。国内的研究机构如南京大学人工智能实验室，北京大学系统与控制研究中心，复旦大学智能信息处理开放实验中心，浙江大学智能人机交互与虚拟现实实验室，中科院计算所智能信息处理实验室，西安电子科技大学神经网络研究中心等。[1]
粒子群优化（PSO）算法，作为一种优化技术，其思想来源于人工生命和演化计算理论。在20世纪90年代初，就产生了模拟自然生物群体(swarm)行为的优化技术。Dorigo等从生物进化的机理中受到启发，通过模拟蚂蚁的寻径行为，提出了蚁群优化方法;Eberhart和Kennedy于1995年提出的粒子群优化算法是基于对鸟群、鱼群的模拟。[2,3]这些研究可以称为群体智能(swarm intelligence)。通常单个自然生物并不是智能的，但是整个生物群体却表现出处理复杂问题的能力，群体智能就是这些团体行为在人工智能问题中的应用。[4]
在求解高维复杂问题时，算法容易早熟收敛，即种群在聚集到局部极值或局部极值邻域内的一个点时停滞不动。[5]与其它全局优化算法(如遗传算法)一样，粒子群优化算法同样存在早熟收敛现象，尤其是在比较复杂的多峰搜索问题中.解决这一问题的主要方法是增加粒子群的规模，虽然对算法性能有一定改善，但同样存在缺陷:一是不能从根本上克服早熟收敛问题;二是会大量增加算法的运算量.吕振肃将提出一种新的基于群体适应度方差自适应变异的粒子群优化算法(AMPSO).该算法根据群体适应度方差以及当前最优解的大小来确定当前最佳粒子的变异概率.实验结果表明:与遗传算法和粒子群优化算法相比，此算法的全局收敛性能得到了显著提高，能有效避免粒子群优化算法中的早熟收敛问题.[6]
曾建国也在基本PSO算法分析的基础上，提出一种能够保证以概率1收敛于全局最优解的PSO算法——随机PSO算法（stochastic PSO，SPSO），并利用Solis和Wets的研究结果对其全局收敛性进行了理论分析，给出了两种不同的停止进化微粒的产生方式：模拟退火及遗传算法。这种随机微粒群算法可以看做一种微粒群算法与其他进化算法的混合算法。对于微粒群算法的研究而言，考虑与其他算法构造混合算法也是一种提高计算效率的方式。其中考虑了微粒群算法与模拟退火、遗传算法的结合，因而也可以考虑微粒群算法与其他确定性算法的混合.[7]
为阵列天线波束赋形的方法也多种多样，根据系统所要求的天线指标和波束形状求解阵列天线的激励幅值、相位、单元间距的过程称为综合。阵列天线综合在天线领域是一个比较重要的研究课题。早期提出的天线阵列方向图综合方法都是针对某一个特定问题而提出的，如Dolph提出的在均匀线阵的基础上实现切比雪夫方向图的方法;泰勒综合方法主要用来解决阵列天线低副瓣的设计问题;伍德福德方法适用于扇形方向图的综合;贝利斯方法适用于差方向图的综合设计。后来，利用加权最小二乘算法进行阵列天线综合和基于自适应理论进行阵列天线综合，但是这种算法最大的不足是它不能用于有约束条件的阵列综合问题。后来人们把自适应理论应用到了阵列天线的综合中来，但是方向图综合时往往出现与目标方向图逼近较差，综合的结果不利于工程实现等问题。刘路斌应用了粒子群优化算法(PSO)和遗传算法(GA)对扇形和圆环形阵列天线进行了优化计算。它们在共形相控阵天线波束赋形应用中可得到很好的结果。 [8]
刘燕使用带变异因子的粒子群算法对阵列天线进行波束赋形设计，有效克服了粒子群算法迭代后期陷入局部收敛的可能。如粒子群出现较严重聚集情况则保留历史最优离子位置，以一定的变异概率将粒子中少部分维重新随机初始化，以此来增强全局搜索能力，克服收敛到局部最优点的缺点，同时又不降低收敛速度和搜索精度。[9]
对于改进粒子群优化算法自适应波束形成，唐寅洲给出了自适应阵列处理的数学模型以及 LCMV 自适应波束形成器的数学表达，提出一种基于多虚拟干扰源的改进粒子群算法并将其应用于 LCMV 自适应波束形成器以提升其性能并进行自适应方向图控制。可有效改善 LCMV 自适应波束形成方法在多重干扰情况下零陷生成效果不佳、低快拍下性能较差等缺点，改善输出信干噪比，并在加深零陷和降低旁瓣等方面效果显著。但该算法在迭代次数过少时性能不稳定，且在面对高维复杂问题时有时会陷入早熟收敛问题。[10]
Z.D.Zaharis介绍了一种适用于线性天线阵列自适应波束形成的新优化技术。 所提出的技术是一种新的粒子群算法变体，称为自适应突变布尔粒子群优化算法 (AMBPSO)，其中更新公式仅以布尔形式实现，使用有效的自适应突变过程。与传统的BPSO算法相比，AMBPSO算法收敛速度稍慢，但最终得到了较好的解。此外，AMBPSO可以作为一种有效的自适应波束形成（ABF）技术来产生比稳健的ABF技术(如MVDR)更好的辐射模式。AMBPSO不仅成功地将主瓣转向感兴趣信号，在所有干扰信号的到达方向中形成空，而且比MVDR技术更能减少旁瓣电平。[11]
参考文献
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
