粒子群优化(Particle Swarm Optimization, PSO)算法又称微粒群算法。作为一种基于群体智能(SI)的优化技术,原理简单,容易实现,具有较强的通用性和全局寻优的特点,是求解非线性和多峰特性目标函数全局最优问题的一种有效方法。它通过模拟鸟群的捕食行为来实现优化问题的求解。在算法中,每个优化问题的可行解都是搜索空间中的一只鸟,称之为“粒子”。每个“粒子”都有两个参量,一个是在搜索空间中的位置,另一个是“粒子”的飞翔速度。PSO算法首先随机生成一个粒子种群,然后追随当前最优例子在种群中进行迭代搜索,直到达到要求,停止搜索。但是基本PSO算法存在局部搜索能力较差,搜索精度不高,不能够保证搜索到全局最优解,容易陷入局部最优解,对参数具有一定的依赖性等诸多的不足。本文通过调整惯性权重提高了在多维空间中的搜索能力。实验结果显示给出的优化算法比基本PSO算法更加有效,收敛精度也更加精确。