陈永刚 邱 涌 肖春宝

(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，目前已经成功应用于结构设计、神经网络[4]、多目标优化[5]等工程优化中。

PSO算法收敛速度较快，但会出现早熟收敛，甚至不收敛的情况，尤其对于多峰函数而言不能令人满意，对高维函数优化在求解质量上和速度上有些缺点。对PSO算法进行改进提高优化性能为该领域的一个研究热点。相继出现了一些改进的算法，然而这些算法在一定程度上改善了算法的优化性能，但很难在搜索精度和早熟收敛之间达到平衡。针对上述缺点，本文提出了一种改进的粒子群算法，该算法引入了合作算子[6]，在迭代优化过程中对粒子进行两种合作策略的变异，使粒子群体保持多样性。本文分析了粒子速度更新公式的基础上，提出了动态改变粒子的粒子分享个体最优和群体最优的信息比例的方法，使算法初期具有全局搜索能力，后期具有较好的搜索精度。实验结果表明，该算法具有较好的优化效率。

2.粒子群算法介绍

2.1 PSO算法基本原理

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。……