粒子群优化算法(Particle Swarm Optimization,简称PSO算法)是一种元启发式算法,由Eberhart博士与Kennedy博士于1995年提出,起源于鸟群觅食行为研究,并逐步演化为一种群体智能算法。该算法通过对集体行为的观察,利用群体中粒子的信息共享机制协调整个群体运动,从而获得最优解。粒子群优化算法作为一种有效全局优化算法,其原理简单、参数少、收敛速度快、搜索效率高。但该算法的缺点是容易陷入局部最优,从而导致了算法搜索精度不足。为了提高粒子群优化算法的搜索精度,本文进行了粒子群算法优化策略研究,主要工作内容如下:1.针对标准粒子群算法容易陷入局部最优的缺点,本文选择了具有强全局搜索能力的引力搜索算法(GSA)来保证解的多样性,从而解决粒子群算法“早熟”现象所导致的算法搜索精度不足的问题。通过结合引力搜索算法与粒子群优化算法,本文提出了一种混合优化算法(PSOGSA),该算法既保留了粒子群算法的高搜索效率,同时也提高了粒子群算法搜索精度。2.在PSOGSA算法中引入了两种线性递减权重更新策略。在算法初期,采用较大的权重系数,以保证算法的全局搜索能力;在算法后期,采用较小的权重系数,从而提高算法的局部开发能力。将改进后的算法应用于多维函数优化问题当中,Matlab仿真结果表明:所改进的两种混合算法均能够提升优化精度。3.优化PSOGSA算法的权重更新策略,分别引入线性递增与线性递减权重选择策略;此外,本文提出了带加速因子的算法改进策略。将三种改进算法应用于电力系统经济负荷分配问题。Matlab仿真结果表明,三种改进算法的优化精度均得到了提高,对于降低电力系统发电成本具有很好指导意义。