王宇嘉，聂善坤，肖闪丽

(上海工程技术大学 电子电气工程学院，上海 201620)



基于动态多种群的粒子群优化算法

王宇嘉，聂善坤，肖闪丽

(上海工程技术大学 电子电气工程学院，上海 201620)

针对粒子群算法在解决高维非线性优化问题时存在易陷入局部最优的缺陷，文中提出了一种基于动态多种群的粒子群优化算法。该算法根据平均适应度值将种群划分为两个子种群，将低于平均适应度值的个体组成的子种群采用粒子群算法进行更新，其余个体组成的子种群采用自适应混沌粒子群算法进行更新；进化过程中，两个子种群规模根据平均适应度值的变化进行动态调整。标准测试函数的测试结果表明，所提出算法增加了种群的多样性，提高了算法全局搜索性能。

粒子群算法；多种群；自适应；混沌；非线性优化

粒子群算法(Particle Swarm Optimization，PSO )是受鸟群觅食策略的启发而得到的一种智能进化算法[1-2]。与其他进化算法相比，PSO算法具有操作简单、收敛速度快、对目标函数要求少的特点。但是，PSO算法容易过早收敛于局部最优[3]。为增加种群多样性，提高算法全局搜索性能，研究者对PSO算法进行了改进，主要包括：算法参数调节[4-7]、将PSO算法与其他启发式方法相结合等[8-17]。然而，粒子群算法在搜索过程中是非线性且高度复杂的，而惯性权值和加速因子的线性递减策略不能有效地反映算法的搜索过程，且在求解复杂问题的后期容易陷入局部最优。同时，大部分混沌粒子群算法利用Logistic映射生成的混沌序列极不均匀，浪费了大量的计算时间，且不能很好地遍历可行域。……