2.2 改进PSO方法
在经典的PSO算法中，在优化后期多样性则显得较为缺乏，同时也会提前以局部极值为整体收敛值，因此，通过调整学习因子和惯性权重的大小，可以在搜索的初期在整个求解空间中进行大范围的搜索，继而获得多样性更好的高质量粒子，并尽可能摆脱和消去局部极值的影响，所以需要对于传统的PSO算法进行一些改进[8]。
所以基于对学习因子和惯性权重的调节，学者们对于经典PSO算法都提出了一些改进方法。惯性权重的概念在文献[9]、[10]分别被首次提出以及对权重进行了递减优化，仿真表明虽然提升了搜索能力但是却降低了收敛的快速性；文献[11]、[12]提出了随机权重法，文献[13]相应的提出了压缩(收缩)因子法，经过仿真结果显示相应的提升了收敛精度但是都未能明显的提升优化求解的快速性，在算法收敛速度方面不具有太大的优势。
