基于参数方程处理等式约束优化的粒子群算法是怎么样的 针对目前已有的粒子群优化算法求解有等式约束优化问题时对收敛速度和解的精度的影响，提出了一种新的基于参数方程的粒子群优化算法。它是粒子群在初始化和迭代进化过程中。
粒子群算法解决实际问题时 其维度如何与实际问题相对应 要明白粒子群算法中，粒子的位置即代表了问题的解，例如你需要求一条路径 路径上假定N个节点 那么N即是这个粒子中的维度
分析标准粒子群算法的不足及改进的方法 一个以上的目标，以优化相对传统的多目标优化方法在解决多目标问题，PSO具有很大的优势。首先，PSO算法和高效的搜索功能，有利于在这个意义上，多目标的最优解；其次，PSO代表了整个解决方案的人口集固有的并行性，同时搜索多个非劣解，所以容易搜索多个Pareto最佳的解决方案；此外，PSO通用的适合处理所有类型的目标函数和约束条件，PSO容易与传统相结合的方法，和然后提出了有效的方法来解决一个具体的问题。PSO本身，为了更好地解决多目标优化问题，必须解决的问题的全局最优粒子和个人选择的最优粒子。为全局最优粒子的选择，一方面，该算法具有更好的收敛速度，另一方面帕累托边界分散体的溶液中。如果在最佳的单个颗粒的选择，需要较少的计算复杂性，并且是仅由较少数量的比较非劣解更新。迄今为止，基于PSO的多目标优化，主要有以下思路：（1）向量法和加权方法。文献[20]的固定权重法，自适应权重法和向量评估方法的第一次，PSO解决MO问题。然而，对于一个给定的优化问题，权重的方法通常是很难获得一组合适的权重向量评价方法MO的问题是，往往无法得到满意的解决方案。（2）基于Pareto方法。[21]帕累托排序机制和PSO相结合，处理的问题，多目标优化，。
