高维尚 邵诚 高琴

1)(大连理工大学控制科学与工程学院，大连 116024)

2)(大连理工大学先进控制技术研究所，大连 116024)

(2013年1月4日收到;2013年7月2日收到修改稿)

1 引言

自从Beni和Wang[1]于1989年提出群体智能(SI)[2,3]这一概念之后，关于生物的集体行为及其自组织方式的众多研究，充分展示了仿生优化算法在非凸或者其它复杂优化问题中的需求与应用[4-9].其中，由Kennedy和Eberhart[10]于1995提出的粒子群算法(PSO)在解决多峰优化问题[11-13]上表现突出.然而，经典PSO的过早收敛[14]和优化结果的低可靠度[15](多次重复试验结果往往有所不同)严重影响到PSO的实际应用，这一问题在其他群体智能优化算法中同样存在.为提高经典PSO的全局寻优能力，许多关于PSO的改进[16-18]应运而生，并且，相继出现针对粒子个体间的拓扑结构[19]的研究.这些工作曾大力推进了PSO的发展与应用，其中Shi，Eberhart[20]以及Trelea[21]所做的研究能够有效指导我们在实际应用中选择合适类型的PSO及相关参数.但是，以上改进在大多数情况下只能作为算法某一环节的补充[22]，并不是界定算法寻优行为特点的本质所属.鉴于此，Marco A.Montes de Oca等[22]于2009年通过重新组合方式，集成优化以往有效的改进方案，并最终获得一个表现优异的 Frankenstein’s PSO.此外，Poli[23]所提供的文献综述中列举了其他众多学者在推进PSO发展方面所作出的杰出贡献.

然而，以上改进仍然受限于原始PSO的速度与位置更新规则及其基本操作模式，这使得以往PSO只能关注两次相邻迭代过程中个体之间的位置关系[17]，而对整个迭代寻优过程中，所有个……