王应虎 范勤勤 颜学峰

(华东理工大学化工过程先进控制和优化技术教育部重点实验室,上海 200237)

粒子群优化(PSO)算法是Kennedy J和Eberhart R在1995年通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的启发式算法[1]。PSO算法有较快的收敛速度且对非线性、多峰问题具有较强的全局搜索能力，在PID控制器优化及系统辨识等领域得到了广泛的应用[2～4]。为了提高PSO算法的稳定性并避免早熟收敛，文献[5]通过一个模糊惯性权重和模糊控制器实现速度和位置的更新；文献[6]通过K均值分类技术将种群分为3个簇，根据簇中最优和最差粒子的变化实现加速因子自适应；文献[7]基于相对距离提出了一种自适应参数改进算法，使个体在进化中有不同的惯性权重和社会因子。相关的研究工作均表明：通过算法参数的自适应，可以有效提高PSO算法的寻优性能。但何种自适应策略是算法参数最佳自适应策略仍是一个广泛研究的问题。

笔者针对PSO算法参数自适应策略进行研究，提出一种多样性分布参数的粒子群算法(DDPPSO)。该算法在初始化时增加了参数种群，即每个粒子在迭代中拥有自己的控制参数，由当前适应度值确定每个粒子的参数权重，进而计算下一代的控制参数均值，通过控制参数均值与自适应方差的正态分布来产生下一代控制参数，控制参数呈现多样性分布，使粒子群体与参数群体通过交互协同进化，优秀的参数个体能使粒子获得良好的进化，粒子的进化性能又作为参数个体多样性分布的评价，进而为优化算法提供实时的最佳参数，提高算法的搜索性能。……