樊卫兵(山西中医学院，太原 030024)

微粒群算法[1-2](Particle Swarm Optimization，PSO)是一种模拟鸟群飞行、鱼群游动等社会行为的群体智能优化算法，该算法由于速度较快、编程简单，现已广泛应用于许多实际问题[3-5]。

xij(t+1)=xij(t)+vij(t+1)

(1)

vij(t+1)=wvij(t)+c1r1(pij(t)-xij(t))+
c1r1(pgj(t)-xij(t))

(2)

标准微粒群算法较为简单，它仅仅粗步模拟了鸟群的觅食行为，但经过自然界数以万年的发展，鸟类一般都具有些特定的觅食模式，比如最优觅食策略。为此，Y Chu等人将最优觅食策略引入微粒群算法，提出了最优觅食微粒群算法[7-8]。本文针对最优觅食微粒群算法，讨论其稳定性条件，并给出了惯性权重的随机选择策略。

1 最优觅食微粒群算法

经过亿万年的演化，动物的食物源一般均不是唯一的，因此，在觅食过程中就有一个食物选择的问题。经过动物学家的研究，我们发现动物在觅食过程中，鸟群总是选择最有利的食物，而不是最喜欢吃的食物[9]，这就是最优觅食策略，该策略表明，动物在选择食物时，总是趋于耗费更低的能量而获得更多地能量，以达到能效最优，从而提高生存概率。 在微粒群算法中，每个微粒都在搜索空间中觅食，它们一般倾向于搜索食物源较多的位置，而这一点显然与上述的最优觅食策略相悖。因此，从这个角度出发，我们将最优觅食策略引入微粒群算法。

由于适应值函数表示食物源的多寡，可定义微粒群中某一微粒i受到的能效吸引为它和其它个体的适应值差别与两个体之间距离的比值，即:

(3)

其中，Fik表示微粒i对微粒k的能效作用力，Fik>0表示……