陈永刚 邱涌 牛丹梅

(河南科技大学电子信息工程学院,河南 洛阳 471003)

1.引言

粒子群优化算法（PSO）是由Kennedy和Eberhart等于1995年发明的一种基于群智能的进化计算技术[1，2]，来源于对鸟群捕食的行为研究。后来shi等人[3]引入惯性权重，形成了当前的标准版本。PSO的优势在于概念简单，容易实现并且没有许多参数需要调整。因此，该算法很快应用于神经网络[4]、多目标优化[5]、函数优化[6]等问题。作为一种高效的全局优化算法，PSO可用于求解大量非线性、不可微和多峰值的复杂函数优化问题。为了提高算法的优化效率，近几年出现了很多改进的PSO算法,并且已经应用于许多科学和工程领域。然而，当遇到某些具有较多局部极值点的搜索空间时，PSO算法的搜索效率可能会突然大大降低并且在最优点附近的搜索效率也不高。

对于这些问题，许多人做了大量的工作来改进算法的性质，比如从参数的控制角度出发，可以结合其它算法来增强算法的效率。本文提出了一种改进的粒子群算法，通过不断随机初始化部分适应值较差的粒子的位置，个体历史最优粒子做相互交叉变异和群体最优粒子在最优值空间附近的变异搜索，有效地克服了算法的早熟收敛，搜索效率和速度都有较大的提高。

2.粒子群优化算法介绍（PSO）

PSO初始化为一群随机粒子（随机解），然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解。这个叫做个体极值，记为Pi。……