3 仿真算例
    为了验证所提出算法的有效性，在计算机上采用Matlab语言进行FIR数字滤波器设计的仿真实验。同时为了比较算法性能，还采用基本遗传算法(BGA)和基本粒子群优化算法(BPSO)进行了相同的滤波器优化设计。仿真实验中，粒子群优化算法的参数设置为：群体大小Size=30，参数维数Codel=30，最大惯性权重为O．9，最小为0．2，聚合度为20，最大迭代次数为200；遗传算法参数设置为：种群30，遗传代数200，交叉概率0．5，变异概率0．1。
    实例1 设计一个低通FIR数字滤波器，其技术指标如下：

   
    实例2 设计一个带通FIR数字滤波器，其技术指标如下：

   
    图2和图4分别是三种算法在设计FIR低通和带通数字滤波器的参数优化过程图。

    图3和图5则是用三种不同算法设计的FIR低通和带通数字滤波器。从图2和图4中容易看出，无论是对低通还是带通滤波器的设计，因为IMPSO对BPSO加入了聚合度检测，能进行智能变异，同时采用线性递减的惯性权值系数。因此与BPSO相比，IMPSO既有最快的寻优速度，也具有最好的适应值，只要迭代次数设置合理，在迭代次数范围内，粒子总会找到全局最优值。BPSO与BGA的寻优速度慢，容易陷入早熟收敛，很难得到理想的最优参数。由图3和图5的FIR低通与带通数字滤波器的幅频特性曲线可明显看出，利用IMPSO设计的滤波器在三种算法中最接近理想的滤波器，是较好的FIR滤波器设计方法。

4 结 语
    在此通过加入聚合度，并将遗传算法中的变异思想引入到PSO算法中，对粒子实现智能变异，能有效克服标准．PSO容易进入局部收敛的缺点。同时由于该算法用到的参数少，程序实现简单，因此与BGA等其他算法相比，具有运算量少，寻优速度快等优点。通过实例仿真结果表明，这里提出的IMPSO算法在FIR低通与带通数字滤波器的设计上比BPSO和BGA具有更好的收敛速度和搜索能力。在设计FIR带阻和多通带数字滤波器时，IMPSO也是一种有效的设计方法。