摘 要：对于一些复杂的目标函数，寻优算法存在的主要問题就是收敛速度和全局寻优能力是否可以同时提高。本文基于对粒子群算法、遗传算法以及两者的组合寻优策略的研究，提出了一种新的遗传粒子组合优化算法——G-PSO算法；并以两个标准性能测试函数作为适应度函数，通过和GAPSO算法进行仿真对比实验，从收敛速度、收敛精度以及全局寻优性能三个方面，验证了所提算法收敛性能的优越性。

关键词：PSO；粒子群算法；GA；遗传算法；G-PSO；性能测试

DOI：10.16640/j.cnki.37-1222/t.2016.09.228

1 引言

粒子群算法因其算法简单、实现容易、精度高、收敛快，时下很受欢迎，各行各业的很多工程研究人员在都使用它，但是其全局优化能力稍弱[1]。遗传算法是一种生物进化过程的模拟，其选择、交叉、变异等各个环节以及很多随机取值都体现了其全局搜索的特点，可以将解空间中的全体解搜索出来，不会陷入局部最优解的快速下降陷阱，但是局部搜索能力较差[2，3]。因此，将两者以某种方式结合，优势互补，不失为一种很好的研究方向。

目前，已有少数学者对其进行研究。彭晓波等人[4]提出对群体中的个体先按适应度值的大小进行排序，再采用PSO算法对群体1/2大小的优秀的个体进行提高，剩下的个体直接淘汰，提高以后的个体被保留并进入下一代，再用已经提高的优秀个体通过选择、交叉和变异步骤得到另外1/2总数的下一代个体。Z Meng等人提出从已经通过PSO算法更新的S个粒子中选择M（M是偶数）个适应度值高的粒子，然后两两匹配并根据固定交叉概率选择执行交叉操作，以防止PSO算法陷入局部最优[5]。……