屈瑞娜 王伟涛

摘要：为了解决实际问题中对精度和速度的双优要求，本文对PSO惯性因子进行混合改進，分别提出线性自调整（LAPSO）和非线性自调整（NLAPSO）两种改进算法，这两种算法在迭代初期动态地调整粒子的飞行速度，加强对种群信息的利用，增强种群的多样性，随着演化的进行，采用线性或非线性的改进策略，使得粒子能更快更精确的聚集到全局最优。实验表明这两种改进较线性、非线性或动态自适应调整，性能均有所提高。

关键字：PSO 惯性因子 测试函数

1 概述

为了更好的求解大量非线性、不可微和多峰值的复杂优化问题，受研究鸟群觅食行为的启发，1995年Kennedy博士和Eberhart博士提出了一种仿真鸟群飞行的算法——粒子群优化算法（Particle Swarm Optimization，PSO）[1]。

与其他全局优化算法一样，受本身更新机制的限制，基本粒子群算法同样存在早熟收敛和后期振荡现象。为了提高算法的性能，国内外学者进行了大量的研究，提出了各种改进。主要有变更公式法[2]、分群方法[3]、混合算法[4]、动方法[5]、自适应改进方法[6]等，这些改进均在不同程度上提高了算法的寻优能力，但对于一些实际问题，总期望在有限的迭代次数内，尽可能地得到可接受的最优解。

因此，如何得到速度和精度的双优成为粒子群算法研究的一个热点。基于此，本文在对文献[2，7]改进的基础上，对PSO惯性因子进行混合改进，分别提出线性自调整（LAPSO）和非线性自调整（NLAPSO）两种改进算法，这两种算法在迭代初期动态地调整粒子的飞行速度，加强对种群信息的利用，并且在一定条件下通过对粒子的重新扩散，增强种群的多样性，随着演化的进行，采用线性或非线性的改进策略，使得粒子能更快更精确的聚集到全局最优，从而提高算法的性能。……