陶新民，王妍，赵春晖，刘玉

(哈尔滨工程大学信息与通信工程学院，黑龙江哈尔滨150001)

粒子群优化(particle swarmoptimization，PSO)是Kennedy于1995年提出的一种群体智能优化方法，具有概念简单、调节参数少及全局收敛能力强等优势，得到了学术界的认可［1-2］.目前在工程设计和工业生产优化等领域得到了成功的应用.PSO算法适合求解非线性连续优化问题，为了将其用于解决离散问题，Kennedy于1997年提出解决0-1规划问题的离散粒子群优化算法(discrete particle swarmoptimization algorithm，DPSO)［3-5］.

然而传统离散粒子群算法具有收敛精度低等问题［6-7］，因此，国内外学者提出各种方法对其性能进行改进.主要改进有以下3个方向:1)通过设置自适应的控制参数等手段来影响粒子的移动轨迹，改进算法的性能.如文献［8］采用惯性权重线性下降法，使算法在进化初期搜索较大的解空间，后期在较小的区域精细搜索.文献［9］设计了自适应的最大速度阈值参数，使粒子在搜索初期倾向于全局搜索，后期倾向于当前最优解附近的局部搜索，有效实现粒子全局和局部搜索性能的平衡(velocity change discrete particle swarmoptimization，VCDPSO).2)通过增强粒子摆脱局部极小解的能力改进算法的性能.如文献［10］通过对惯性因子采用自适应扰动机制来增强粒子群跳出局部最优的能力(introducingdynamic diversity into a discrete particle swarmoptimization，DDPSO).3)通过增加粒子群多样性，能摆脱群体陷入局部极小的可能，从而提高了搜索质量［11-12］.然而上述改进算法都是基于连续PSO算法易陷入局部极小值为出发点提出的，事实上DPSO算法的进化过程与连续PSO算法截然不同，上述连续状态下的相关改……