秦全德，李丽，程适，李荣钧

(1.深圳大学管理学院，广东 深圳518060;2.英利利物浦大学电气电子工程系，英国利物浦L69 3GJ;3.西交利物浦大学电气电子工程系，江苏苏州215123;4.华南理工大学工商管理学院，广东广州510640)

粒子群优化(particle swarm optimization，PSO)算法是一种基于种群搜索的随机优化技术，其模拟了鸟群觅食过程中的迁徙和群集行为[1].PSO算法具有概念简单、控制参数少、收敛速度快和易于编程实现的优点[2]，自提出以来受到广大学者的关注.但PSO算法同其他的随机搜索方法类似，在求解复杂多峰函数时，容易陷入局部最优[3].为了提高算法性能，较多学者提出了基于不同思想的改进算法，可以简单归纳为以下几类:1)调节算法的参数[4-5];2)群体拓扑结构的改进[6-7];3)与其他优化算法混合[8-9];4)嵌入生物行为机制[10-11];5)设计新的学习策略[12-13].

在基本PSO算法中，粒子通过向个体最优位置和群体最优位置学习并不断调整其飞行速度和所在位置，从而实现在搜索空间寻优.这样的学习策略使得群体内的信息交流速度快，但由于学习方向的单一性，容易产生“趋同”现象，在算法性能上表现为迭代后期搜索缓慢甚至停滞，容易陷入局部最优[14].因此，设计新的粒子学习策略是提高PSO算法性能的一个重要途径.目前，国内外学者已经在这方面开展了一些研究.Liang等提出了广泛学习的PSO算法，其每个粒子根据学习概率来决定向自身个体最优位置还是其他的个体最优位置进行学习[12].实验结果表明，采用广泛学习策略能……