粒子群算法(PSO)是由J Kennedy和R C Eberhart于1995年提出的一种仿生演化算法,是一种智能优化算法.该算法因其概念简单、参数较少、易于实现等特点,受到研究者的高度重视,被广泛应用于许多领域.基本粒子群算法的突出优点是早期收敛速度特别快,缺点是局部搜索能力差,使得算法后期收敛速度缓慢,求解精度降低.另外,不同问题的局部与全局搜索能力的比例关系是不同的.Shi Y提出的带有惯性权重的粒子群算法,在某种程度上解决了局部搜索能力弱的问题.该算法提高了求解精度.目前,设置惯性权重的方法有多种,被广泛应用的是Shi Y和R C Eberhart提出的线性递减惯性权重(LDW).但是,带线性递减惯性权重的粒子群算法(LDWPSO)也有不足：一,算法的收敛速度低.这是因为它的惯性权重值与粒子无关,从而导致粒子搜索过程的智能性降低；二,需要预测最大迭代次数.但实际上在求解一个问题时,最大迭代次数往往是难预测的,它既影响算法的惯性权重值,又影响算法的适应性.本文提出一种非线性动态调整惯性权重的粒子群算法(NDWPSO),这种非线性动态调整使惯性权重与粒子有关,它依粒子的适应值的变化自动地调整其大小,从而使得粒子搜索过程的智能性增加,算法的收敛速度因此有很大的提高.此外,该算法也不需要预测最大迭代次数,适应性强.本文对粒子群算法的四个典型函数进行了仿真实验,测试结果表明,NDWPSO算法效果很好,搜索结果精度很高,特别是其收敛速度较被广泛应用的LDWPSO算法有很大的提高.