王晓敏,刘宏伟,李石妍

（1.河北工程大学 机电工程学院,河北 邯郸 056038;2.河北工程大学 文学院,河北 邯郸 056038）

基于对鸟群捕食行为的仿生,Eberhart博士和Kennedy博士于1995年提出了粒子群优化（Particle Swarm Optimization,PSO）算法[1-2],该算法基于群体智能,是一种简洁高效的随机优化算法,但存在容易陷入局部最优、并且搜索精度不高的缺点。混沌是在非线性系统中普遍存在的现象,混沌运动具有对初值的高度敏感性、运动轨迹的遍历性和随机性等特点,它能在一定的范围内按自身的规律遍历每一个轨道,既不自我重复又不自我交叉。混沌算法和粒子群优化算法各有优缺点,混沌算法的全局搜索能力较强,而粒子群算法具有较强的局部搜索能力。近几年来,很多学者把两种算法的优点融合在一起,提出了多种混合算法:文献[3]利用混沌运动随机性、遍历性和初值敏感性,提出了一种混沌粒子群优化算法并应用于多阈值图像分割中;文献[4]针对传统的简单粒子群算法易陷入局部最优的缺陷,提出了一种改进的混沌粒子群优化算法,该算法根据混沌算法遍历性的特点,选择合适的混沌映射提取基本粒子群初始种群,使粒子均匀分布在解空间,当基本粒子群陷入早熟时,混沌粒子群在最优解周围的区域内进行混沌搜索,取代原来种群中的部分粒子,带领种群跳出局部最优;文献[5]针对基本粒子群优化算法易陷入局部极值和进化后期收敛速度缓慢的问题,提出基于Tent混沌序列的……