粒子群优化算法是一种基于群体智能行为的全局优化算法，由Eberhart和Kennedy在1995年提出。其灵感来源于鸟群和鱼群等动物的社会行为，通过模拟群体中个体间的互动和学习机制来寻找最优解。在PSO算法中，每个粒子代表问题空间中的一个潜在解，粒子群通过跟踪个体最优解（Pbest）和群体最优解（Gbest）来更新自己的位置和速度。
传统的PSO算法在搜索的后期，当全局最优解Gbest不再发生变化时，局部最优解Pbest等于Gbest，此时粒子的速度更新趋向于零，仅依靠惯性前进，这会导致搜索速度降低，寻优精度下降，甚至陷入局部最优解。为了克服这些缺陷，刘文凯和温洁嫦在2017年提出了一种改进的PSO算法，该算法参考了局部最差解（Pworst）的影响，避免了粒子仅由惯性驱动而停滞不前的情况。
改进的算法通过调整速度更新公式来考虑Pworst，使得粒子在Gbest不变的情况下，不仅受到自身惯性的影响，还能够继续寻优，从而提高了算法跳出局部最优的能力。这种思想利用了粒子远离最差解的策略，增强了算法的探索能力和避免局部最优的能力。
在算法的具体实现中，通过引入远离最差解的机制，改善了粒子群优化算法的速度更新公式。这意味着，与传统的PSO算法相比，该算法在几个典型的测试函数上显示出更好的搜索速度、寻优精度和鲁棒性。该算法不仅在收敛性方面显示出优越性，还有效避免了被局部最优解所困。
关键词粒子群优化算法（PSO）、全局最差解和局部最差解揭示了算法改进的两个关键点，即如何处理全局最差解和局部最差解对粒子群优化算法的影响。全局最差解指的是整个粒子群所遇到的最差解，而局部最差解则指每个粒子个体在搜索过程中遇到的最差解。
在实验部分，通过几个经典的测试函数，对改进后的PSO算法与传统PSO以及其他改进型PSO算法进行了比较。结果表明，新算法在性能上有了显著的提升，尤其是对于避免陷入局部最优解具有明显的效果。这也说明了在粒子群优化算法中引入远离最差解的策略，对于提高算法的整体性能是有效的。
此外，文章提到的中图分类号TP301、文献标志码A和文章编号1007–7162(2017)04–0078–06都是文献出版和索引信息，为读者提供文献的检索和引用信息。中图分类号是根据《中国图书馆分类法》对文献主题进行分类的代码标识，文献标志码用于标识文献的类型，而文章编号则为特定文献的唯一编号，用于文献检索和引用。
文章中的关键词粒子群优化算法（PSO）；全局最差；局部最差是概括文章主题和研究重点的关键术语。PSO是研究的核心对象，全局最差和局部最差则是针对算法缺陷所采取的改进策略。这些关键词为读者指明了文章研究的主要内容和目标，是理解整篇文章的焦点所在。
VIP享7折，此内容立减4.47元 
