粒子群優化算法專利技術淺析

張佳期 解倩倩

國家知識產權局專利局專利審查協作天津中心，天津 300304

一、粒子群優化算法概述

粒子群優化算法又稱微粒群算法，是一種智能優化算法。粒子群優化算法于1995年提出，啟發于鳥群覓食的行為[1]。其建立速度與位移的相關模型，以粒子模擬鳥類個體，其相互之間既合作又競爭，為群體尋找優化搜索，主要用于優化函數、神經網絡訓練，以及其他進化算法的應用領域。粒子群算法相較其他算法的優勢在于其不需要求解問題的特征信息，而具有較強的全局搜索能力，收斂快，魯棒性強。[1]

本文將以國內外專利申請數據為分析樣本，從專利的申請量逐年變化和申請人分布等角度進行了分析和研究，淺析粒子群算法的發展現狀和預期。

二、專利申請基本情況

1、檢索方法說明

本文采用的專利檢索工具、范圍、檢索方式，說明如下：

（1）數據庫：CPRSABS數據庫和DWPI數據庫；

（2）分析指標：申請量逐年變化趨勢、主要申請人分布、申請區域分布等；

（3）檢索關鍵詞：粒子群優化、微粒群優化、PSO、particle swarm optimization、神經網絡等。

2、檢索結果分析

（1） 全球專利分析

① 粒子群優化算法技術專利申請的國家分布

圖1為全球PSO算法技術專利申請的國家分布圖，可以看出中國和美國是主要的申請國，分別占總申請量的69%和8%，另外，日本、歐洲、德國、韓國的申請量也比較多，說明這些國家也十分重視粒子群優化技術的專利布局。

中國在粒子群優化技術上的專利申請數量遠高于其他國家的原因，經分析主要由其性質決定，PSO作為一種優化算法，在物理及研究領域的發展較快，而在專利申請中往往是作為技術支持而非核心技術出現的，中國申請數量龐大有很大一部分是源于高校及相關科研院所的專利申請，這也體現出國內外在專利布局上的差異——國內對此類具有應用領域的算法類技術提出了大量的專利申請，而在國外這樣的專利申請則相對較少，在優化算法領域國內專利申請與高校研究結合較為密切，而國外則相對獨立，體現在專利布局上的申請較少。

② 歷年專利申請量分布

圖3為全球PSO專利申請的技術生長率。由圖可以看出，粒子群優化的相關專利申請技術在2011年開始以較高的增長率快速發展，保持較快的增長趨勢一直到2014年，2015年申請量有所回落，2016年至今又迎來高速增長，技術發展的黃金年份主要集中在2012年～ 2014年、2016年～ 2018年。PSO于1995年提出，從其提出到其在專利領域上開始批量申請應用經過了較長時間的發展。

③PSO國際專利申請的IPC分布

粒子群優化算法沒有專門對應的分類號，作為一種優化算法，其分類號往往與其優化實現的技術應用為主要分類號，而優化算法又多用于對計算機領域數據處理和評估、預測，因此，IPC多集中與G06FNQ下。

（2）中國專利分析

① 技術發展趨勢分析

圖4為PSO在中國的專利申請發展趨勢，可以看出中國的專利申請發展與全球申請同步，均為從2011年起有大步幅的提升，但是與全球申請不同在于從2011年至今一直保持增長，2013年是其增長率最高的一年。

② 主要申請人分布

國內對粒子群優化申請最多申請人是國家電網，PSO被用于對電網相關預測、評估系統的結果優化；其余申請量較多的申請人均為高校申請。國內關于PSO的專利申請主要由高校申請人申請，非高校申請中，電網及下屬單位申請的數量與非電網相關企業的申請量持平，而電網和高校合作申請的專利申請量為113件，體現了電網在該領域與高校的合作。對PSO的研究還是主要集中在各大高校及研究所，對算法進行改進和應用，企業將PSO用于實際生產的數量還不夠多，或者沒有對其進行專利保護的意識。圖5是國內PSO專利申請量排前8位的申請人分布。

三、PSO專利技術發展線路、研究熱點和發展趨勢

1、PSO專利技術發展路線及研究熱點

粒子群優化最初用于訓練神經網絡，主要包含連接權重、網絡拓撲結構及傳遞函數、學習算法三個方面的演化計算。在隨后的應用中，PSO又可以用來確定神經網絡的結構[2]。PSO還主要解決參數優化問題，包括連續問題及一些離散問題，還用于多目標優化和分類、求解最小或最大化問題、對多個全局極值進行標定等。粒子群優化在系統設計、信號處理、模式識別等方面也具有良好的應用前景[3]。

下面以國內專利申請案例來進行簡單梳理：

粒子群算法最初是用于對神經網絡模型進行優化，初期采用其基礎模型。如專利申請CN200810220635A，申請日20081231，申請人— 中山大學，基于粒子群算法的無線傳感器網絡節點覆蓋優化方法，利用粒子群算法求解無線傳感器網絡節點最優覆蓋問題[4]。該發明提出了一種基于離散二進制的PSO的覆蓋機制進行優化求解。

CN200910096406A，申請日20090302，申請人—杭州電子科技大學，一種鍋爐燃燒優化的方法，利用粒子群優化算法結合所建模型，針對不同對鍋爐燃燒指標或指標組合進行鍋爐燃燒參數配置的優化[5]。該專利申請中即利用基本的PSO對神經網絡模型參數進行優化。

隨著粒子群算法的發展，又提出了帶有慣性因子或收縮因子等的改進型PSO進行算法優化求解[1]。如CN201210172086A，申請日 20120530，申請人—山東大學，基于粒子群算法的風電場儲能容量控制方法，以蓄電池儲能系統的儲能容量為目標建立優化決策模型，并應用改進的粒子群算法對該模型進行求解[6]。該專利申請中利用PSO進行風電場儲能控制的最優解求解，利用的是改進的PSO，引用了慣性權重。

粒子群算法的改進進一步發展出了混合PSO、協同PSO 、自適應 PSO，并結合運用全局搜索和局部搜索。如CN201410498586，申請日20140925，申請人—國家電網，一種包括獨立全局搜索的兩階段粒子群優化算法，提出一種可應用于電力系統的負荷調度、電動汽車群的控制等問題的包括獨立全局搜索的兩階段粒子群優化算法[7]。該專利申請中引入了混沌PSO概念，并通過分為全局搜索和局部搜索分別迭代來解決聚集現象。

隨著粒子群算法不僅在其結構上進行改進，其應用也越來越廣泛和深入，不僅在參數的優化求解上作用，也更多的服務于對架構上的優化和指導。如CN2014107091459，申請日20141128，申請人—江蘇大學，一種基于神經網絡和微粒群優化算法的建筑能耗預測方法，其通過PSO優化神經網絡的連接權值和閾值；再通過其優化的神經網絡模型進行建筑電力能耗的短期預測[8]。該專利申請中同樣是與神經網絡結合，但其實是對神經網絡的結構進行優化，確定其連接權值和閾值，運用的是具有慣性權重的標準型PSO。

2、發展預測

粒子群算法的發展預測主要在對算法本身的改進和拓寬應用領域兩方面[3]。粒子群算法從提出發展至今，其結構一直在進行改進，通過加入適當的因子等方式提高準確度，相信隨著深入研究，粒子群算法能得到進一步改進，以使優化結果更趨近于理想狀態。在應用上，除了常見的神經模塊優化、數據預測等，其在結構優化上也逐漸顯露出優勢，而PSO快速進行局部或全局搜索對于機器學習速度和深度的提升也有幫助，可以預見PSO在自動機器控制和人工智能領域會有較廣泛的發展，且現階段PSO還是主要用于算法改進，多見于高校等科研研究，今后會進一步加深與企業的合作，廣泛用于人工智能實際開發中。

3、PSO在專利審查上的作用

通過對粒子群優化算法專利技術的梳理和分析，審查員可以深入了解該領域技術的發展狀況并有助于對其發展趨勢進行預測。在審查實踐中準確把握此類專利所處的發展階段、技術分支、專利重要申請人的技術發展等信息，從而幫助審查員準確地理解發明，迅速把握發明申請的構思，縮小和精確檢索范圍，準確確定和拓展檢索關鍵詞，使得專利審查更加高效和準確。

四、結論

粒子群算法自提出后不斷進行著改進以提高準確性和運算速度，但是其在專利運用上起步較晚，直至2011年才開始有較為大量的粒子群算法相關專利申請提出，并呈現快速增長趨勢。國內外涉及粒子群算法的專利發展態勢相似，且中國國內申請占全球申請總量的69%，國內申請的發展情況會對全球PSO專利情況產生明顯的影響。粒子群算法在專利申請中多見于對模型的參數進行優化、求解最優解等，主要集中在高校或者國家電網等研究性的方法中。結合其申請量變化和申請人分布，可以推測計算機技術和優化算法在近十年的快速發展，以及中國高校或相關單位對于知識產權特別是專利技術的保護意識的發展，是影響粒子群算法專利現狀的兩大因素。而根據對粒子群算法專利情況的分析可以預測，隨著人工智能與機器學習的發展，粒子群算法在實際生產應用中的深度和廣度都會有大幅提高，未來企業應用PSO的相關專利申請的比例也會增加，對于粒子群算法應用的研究會更加豐富。