闫文静, 邹书蓉, 张洪伟

（成都信息工程学院计算机学院,四川成都 610225）

0 引言

粒子群优化算法（Particle Swarm Optimization,PSO）是由Kennedy和Eberhart（1995年）首次提出的一种基于迭代的寻优算法[1],源于对生物界中鸟群觅食行为的研究,是一个基于群体智能（Swarm Intelligence,SI）的优化算法。PSO算法具有简洁性,易于实现,收敛速度快,需要调节的参数少等优点,一经提出便得到快速的发展。PSO算法已经在函数优化、神经网络训练、模式分类、模糊系统控制、求解大规模组合优化问题等各个领域的取得了大量的有效成果[2]。

在对PSO算法的研究过程中发现其存在易于陷入局部最优及早熟收敛等缺陷,针对这些问题许多学者提出了一些改进方案,例如w线性递减策略[3],通过反复试验,建议w=0.9线性递减到0.4的策略,这样使得粒子群算法早期具有良好的全局搜索能力,能快速定位到接近全局最优点的区域,后期则具有良好的局部搜索能力,能精确得到全局最优解。杂交PSO模型[4]将进化算法中的交叉操作引入PSO算法,使后代继承了双亲粒子的优点,加强了粒子间区域的搜索能力,有效摆脱局部最优。混沌粒子群优化模型[5],以目前整个粒子群所搜索到的最优位置为基础,利用混沌运动的遍历性去产生一个混沌序列,然后将产生序列中的最优位置的粒子随机地代替目前粒子群中的一个粒子,这样可以使粒子能有效地摆脱局部极值点,提高算法寻找全局最优点的能力。免疫粒子群优化算法[6]中机体能特异的识别“非己”和“自己”的刺激,保留记忆反应的能力,可以避免粒子群算法陷入局部最优的缺点。……