粒子群算法是1995年Kenndey等人在观察鱼类和鸟类行为基础上提出的一种群智能算法,其思想来源于演化计算理论。通过模拟鸟类觅食行为,以群体协作使鸟类到达最优觅食点。粒子群算法具有收敛速度快且结构简单等优点,因此得到了广大学者的认可、探讨和改进,并在越来越多的领域中发挥着重要的作用。但是由于其本身随机搜索的特点,存在早熟收敛和后期迭代速度慢等问题。本文经过类比同属于优化算法分支的粒子群算法和经典动量算法,发现其具有较高的相似度,可以借鉴对经典动量算法的改进研究应用于粒子群算法的优化中。因此本文提出基于动量的粒子群算法改进研究,解决传统粒子群算法易陷入局部最优和收敛速度慢等问题。(1)传统粒子群算法对所有粒子采用相同的惯性权重而忽视了单个粒子的特性,导致收敛精度偏低且易陷入局部最优。结合RMSprop算法中对每一个维度进行自适应设置策略,提出了一种自适应惯性权重粒子群优化算法RMSPSO。算法考虑粒子每一个维度的速度变化及动量,进行自适应动态惯性权重设置,使得算法在全局寻优和局部寻优之间达到良好的平衡。选取了十个典型测试函数,将改进后的粒子群算法(RMSPSO)与4个主流粒子群算法进行实验对比分析。结果表明,在单峰、多峰和组合函数上,提出的RMSPSO算法在收敛速度和收敛精度上都取得了明显的进步。(2)传统粒子群算法在迭代中后期易出现在最优点附近震荡的现象,导致算法收敛速度慢的问题。对传统粒子群算法收敛过程分析发现,由于粒子速度更新过程中,速度累积项导致粒子更新当前步幅过大,出现粒子位置越过局部最优点产生震荡现象。本文借鉴NAG算法对经典动量算法的改进思路,提出一种基于NAG的粒子群优化算法。使用粒子“展望”的位置影响当前更新,使得粒子即将到达最优点之前提前减速,抵达最优值避免震荡发生。选取了十个典型测试函数,将改进后的粒子群算法(NAGPSO)与3个主流粒子群算法进行实验对比分析。结果表明,NAGPSO一定程度上提高了算法的寻优能力,特别是在多峰问题上表现出色。(3)借鉴自适应学习率设置策略Adam算法思路,将物理中动量的概念引入到粒子群算法自适应设置惯性权重的策略中。提出一种基于Adam的自适应惯性权重粒子群优化算法ADAMPSO,根据动量更新粒子当前梯度信息及及指数加权平均计算梯度平方值,以梯度信息和梯度平方值经过偏置校正后的值自适应设置惯性权重。选取了十个典型测试函数,将改进后的粒子群算法(ADAMPSO)与4个主流粒子群算法进行实验对比分析。结果表明,ADAMPSO提高了算法的收敛速度和算法的收敛精度,以及在一定程度上提高了算法的稳定性。