由于PSO算法本身的缺陷，其存在容易出现早熟收敛、后期迭代效率不高、搜索精度不高的问题，在线性递减惯性权重PSO算法的基础上，与GA遗传算法相结合，针对PSO易陷入局部最优，通过采用GA杂交变异的思想，增加了粒子的多样性，跳出局部最优，增强混合算法的全局搜索能力，提高搜索精度[1]。

下图左右分别为PSO_GA混合算法和线性递减惯性权重PSO算法迭代寻优PID参数的适应度值的迭代结果，可以看出PSO_GA混合算法的精确度可以达到小数点后四位，而线性递减惯性权重PSO算法的精确度只能达到小数点后三位，所以运用混合算法，其精确度可以提高一个数量级，这个结果是相当可喜的。

但是由于PSO_GA混合算法加入了遗传算法部分，计算时间与之PSO算法大大提高，这也是精确度提高的代价吧，这也对进行仿真的工作站提出了更高的要求。

本文的PSO_GA混合算法的思想如下图所示，是采用先PSO算法后GA算法的串行混合方式，其可以保证初期经过PSO算法的迭代所形成的种群中有很接近最优解的个体，GA算法的遗传操作使种群多样性得到改善，全局快速寻优，能避免算法陷入局部最优，快速准确地从接近最优解个体的种群中找到最优值，特别是在多峰值函数优化问题上表现突出[2]。

 

混合算法用文字表述可以分成以下几个部分：

PSO部分

步骤1：随机初始化种群中各粒子的位置和速度；

步骤2：评价每个粒子的适应度，将当前各粒子的位置和适应度值存储在gbest、fgbest中，将全局最优个体的位置和适应度值存储于zbest、fzbest中；

步骤3：根据速度公式和位置公式更新速度和位置；