董文永，康岚兰,2，刘宇航，李康顺

(1.武汉大学计算机学院，湖北 武汉 430072；2.江西理工大学应用科学学院，江西 赣州 341000;3.华南农业大学信息学院，广东 广州 510642)

DONG Wen-yong1,KANG Lan-lan1,2,LIU Yu-hang1,LI Kang-shun3

(1.Computer School,Wuhan University,Wuhan 430072,China;2.Faculty of Applied Science,Jiangxi University of Science and Technology,Ganzhou 341000,China;3.College of Information,South China Agricultural University,Guangzhou 510642,China)

带自适应精英扰动及惯性权重的反向粒子群优化算法

董文永1，康岚兰1,2，刘宇航1，李康顺3

(1.武汉大学计算机学院，湖北 武汉 430072；2.江西理工大学应用科学学院，江西 赣州 341000;3.华南农业大学信息学院，广东 广州 510642)

针对反向粒子群优化算法存在的易陷入局部最优、计算开销大等问题，提出了一种带自适应精英粒子变异及非线性惯性权重的反向粒子群优化算法（OPSO-AEM&NIW），来克服该算法的不足。OPSO-AEM&NIW算法在一般性反向学习方法的基础上，利用粒子适应度比重等信息，引入了非线性的自适应惯性权重（NIW）调整各个粒子的活跃程度，继而加速算法的收敛过程。为避免粒子陷入局部最优解而导致搜索停滞现象的发生，提出了自适应精英变异策略（AEM）来增大搜索范围，结合精英粒子的反向搜索能力，达到跳出局部最优解的目的。上述2种机制的结合，可以有效克服反向粒子群算法的探索与开发的矛盾。实验结果表明，与主流反向粒子群优化算法相比，OPSO-AEM&NIW算法无论是在计算精度还是计算开销上均具有较强的竞争能力。

一般性反向学习；粒子群优化；自适应精英变异；非线性惯性权重

1 引言

粒子群优化算法(PSO,particle swarm optimization)是一种基于群体进化的随机仿生优化算法，由Kennedy和Eberhart等[1]于1995年提出，其思想源于对鱼群及鸟类等群体觅食行为的模拟。算法自提出以来，由于其概念简单且易于理解和实现，在解决复杂优化问题，如非线性、多峰等问题性能表现突出，从而吸引了大批科研人员对其展开研究。……