阎昌琪，刘成洋，王建军

(哈尔滨工程大学核科学与技术学院，黑龙江哈尔滨150001)

Kennedy与Eberhart通过对鸟群觅食过程的分析及模拟，于1955年最先提出了原始的PSO(particle swarm optimization)算法[1]，其中关于如何加快算法的收敛速度、收敛精度和避免早熟收敛问题，一直是研究者们关注的重点，也是所有随机搜索算法共同面临的主要难题.目前多数粒子群算法主要针对无约束优化问题研究，而实际工程中的优化问题往往具有约束条件.惩罚函数法是进化算法处理约束问题的常用方法[2]，但其主要缺点是惩罚参数的选取比较困难，而算法在很大程度上依赖于参数的选取，所以参数与具体优化问题有关.本文在对各种改进PSO算法研究的基础上，提出了一种新型混合粒子群算法(new hybrid particle swarm optimization，NHPSO).在约束处理方面，采用应用比较广泛的可行性原则[3-6]进行约束处理;参照文献[7]，运用复合形算法产生初始可行群体;引入遗传算法中的交叉和变异策略[8-9];利用改进复合形算法[10]在优解附近进行局部搜索.

1 新型混合粒子群算法

1.1 非线性约束问题

具有D个决策变量，m个约束条件的非线性约束问题可以描述为

1.2 标准粒子群算法

在标准粒子群算法中，单个粒子如 Xi={xi，1，通过跟踪 2 个极值来更新自己，其中表示第i个个体极值的第d维变量表示当代全局极值的第d维变量.粒子变量的速度和位置的更新方式为

1.3 可行性判断规则

定义1 随机产生一个个体，若该个体满足约束条件，则该个体称为可行个体，若该个体不满足……