当算法迭代精度要求越高，搜索范围越广，维度越大时，算法寻优越难。若能成功找到最优解，则说明算法性能越好。实验中，1f 函数搜索范围[-100,100]，2f 函数搜索范围[-600,600]，3f 函数搜索范围[-30,30],通常步长递减因子的取值范围为[0,1]，实验设置取值e =0.05,0.15,0.25,…,0.85,0.95。为降低随机性对实验结果的影响，本文对基准函数独立运行 20 次，取最优值、最差值和平均值作为对算法性能评估的标准。实验结果如表 4.2 所示。
第五章 总结与展望
5.1 总结
本文分别对粒子群算法和天牛须算法展开了研究，发现算法都存在一些优点和不足之处，例如：粒子群算法，由于其群体性，在精细搜索表现较好，但算法寻优精度低，后期搜索速度慢；天牛须算法全局搜索能力较好，但个体单一，丧失了丰富度与种群多样性，且单个个体在随机方向上搜索，可能会迷失。考虑将PSO算法与BAS算法有效结合，利用PSO算法的群体性使得BAS算法寻优时，填补了个体单一的缺陷，搜索到最优解的几率大大增加，同时也可将PSO算法的精细搜索与BAS的全局搜索融合，增强算法寻优性能。本文将这两种算法进行结合，并针对算法现有不足提出了相应的改进策略，并将改进算法加以应用，拓宽其应用领域。
提出天牛须和粒子群的混合算法 PSOBAS。利用 Logistic 混沌映射对种群初始化，产生高质量的初始解；将线性递减策略引入惯性权重，提高算法效率；对天牛步长递减因子引入指数递减策略，增强搜索性能；用天牛须搜索算法对粒子的初始位置进行更新，并计算粒子速度及位置。用六个基准函数对 PSOBAS 算法进行测试，并将该算法应用在四旋翼无人机的参数辨识上，PSOBAS 算法能在规定的迭代次数内有效的辨识到参数。
提出天牛须搜索策略引入 PSO 算法局部搜索的改进算法 W-K-BSO。选用线性微分递减惯性权重，提升算法性能；利用收缩因子和惯性权重协同控制算法全局和局部寻优性能；引入天牛位置增量对粒子的影响，设置新的速度更新规则。仿真实验对九个基准函数进行测试，结果表明，W-K-BSO 算法全程都表现出了较强的寻优能力，在各个维度上，跳出局部最优能力、收敛精度、算法稳定性上都有极大提升。将 W-K-BSO 算法用于进给伺服系统的 PID 优化，验证了算法的优越性和竞争性。
参考文献（略）
