郭通，兰巨龙，李玉峰，陈世文

(国家数字交换系统工程技术研究中心，河南 郑州 450002)

1 引言

粒子群优化（PSO, particle swarm optimization）算法是一种基于群体智能的随机全局优化计算方法[1]。该算法以其建模简单、收敛速度快且易于实现等优点，在组合优化[2]、多目标辨识[3]、任务分配[4]、聚类分析[5]、神经网络训练[6]等领域得到了广泛的应用。类似于其他全局优化算法，PSO算法在实际应用中也表现出了一些有待改进的问题，即算法在搜索初期往往收敛较快，但在后期粒子群会趋向同一化(失去了多样性)，使得收敛速度明显变慢，搜索精度降低，算法容易陷入局部最优，因此很多学者致力于提高PSO算法的性能。

Naka等[7]将遗传算法中的选择操作引入到PSO中，提出了混合粒子群优化(HPSO, hybrid particle swarm optimization)算法，对每次迭代产生的新的粒子群依照一定选择率复制较优个体，在提高收敛速度的同时保证了一定的全局搜索能力。Krohling[8]将高斯函数引入PSO算法中，用于引导粒子的运动，进而提出了高斯粒子群优化（GPSO, Gaussian particle swarm optimization）算法，GPSO不再需要惯性权重，且加速系数由服从高斯分布的随机数产生，以克服传统PSO搜索能力和收敛性能严重依赖加速系数和惯性权重设置的不足。Jason等[9]提出了一种利用自然选择进化思想的达尔文粒子群优化（DPSO, Darwinian particle swarm optimization）算法，动态地将种群分为若干个子群，每个子群相对独立地展开搜索，以提高粒子的多样性，增强算法的全局寻优能力。Xu等[10]提出了一种新的混沌粒子群优化（NCPSO, new chaos-particle swarm optimization）算法，将混沌融入到粒子运动过程中，使粒子群在混沌与稳定之间交替向最优点靠近，能够跳出局部最优，提高了算法的收敛速度和精度。……