高 鸽，孙超利，曾建潮(太原科技大学电子信息工程学院，太原 030024)

随着科学技术的不断发展，许多实际工程领域的最优化问题呈现出越来越复杂的特性，如目标函数、约束函数不能用解析式表达，而是通过复杂的仿真进行计算，需要花费大量的计算机时间。近年来，利用随机搜索算法求解约束优化问题得到了更多的重视。随机搜索算法对函数的性质要求非常低，可以用于一般的复杂工程优化问题。微粒群算法是随机搜索算法的一种，由于它不要求优化函数连续或可微，采用简单的速度位移进化模型，需调整的参数数量少，求得解的质量高、时间短，因此近年来得到了广泛的应用[1-4]，并取得了一定的成果。然而，作为群体算法，微粒群算法在获得最优解之前需要进行大量的适应值计算，而对于约束优化问题，若约束函数计算费时，则还需要耗费大量的约束函数计算时间，因此，微粒群算法不适合于求解计算费时的约束优化问题。

据了解已有较多的学者对适应值计算费时问题展开研究，如崔方舒等[5]将广义回归神经网络(GRNN)与PSO算法相结合，提出了适合求解随机优化问题的智能算法， 通过对预测策略及模型更新策略的分析决定个体的适应值是否用实际的适应值函数计算，节省了大量适应值计算时间；针对带约束的多目标优化问题，Hemant Kumar Singh等[6]人将代理模型应用到模拟退火算法中，提出了SASA算法，节省了实际函数的计算次数。Yao等[7]以支持向量机作为代理模型，提出分类辅助微分进化算法，用来判断哪一个后代个体的适应值需要用实际的适应值函数计算；……