荣 兵，陈 华

(中国石油大学(华东)理学院, 山东 青岛 266580)

Logistic型混合自适应分数阶达尔文粒子群优化算法

荣 兵，陈 华

(中国石油大学(华东)理学院, 山东 青岛 266580)

针对传统的粒子群优化算法中存在的问题及分数阶达尔文微粒群优化(FDPSO)算法收敛速度慢，收敛精度不高的问题，改进其算法中分数阶速度更新策略，同时引入Logistic型混合分数阶自适应动态调整策略，得到一种改进的自适应分数阶达尔文粒子群优化(LFDPSO)算法，并通过相应理论分析，证明了该算法在给定条件下的收敛性，并由6个经典函数的数值测验表明，Logistic型混合自适应分数阶达尔文粒子群(LFDPSO)算法在收敛精度和收敛速度上得到了有效改善与提高，粒子在局部最优时的逃逸能力、全局寻优及智能搜索能力显著增强。

分数阶；粒子群；达尔文；自适应；速度更新；收敛速度

0 引言

粒子群优化(PSO，partical swarm optimization)算法是近年来快速发展的一种智能全局寻优方法[1]。这种方法有它不可取代的寻优特点，在优化组合[2]、多目标联合搜索[3]、任务分配[4]、聚类分析[5]、神经网络[6]等众多领域得到了比较广泛的使用。PSO算法在使用中存在着一些不尽人意的地方，如在寻优的开始阶段，算法的收敛速度较快，而在全局寻优的后期，单纯的粒子群算法容易陷入早熟，进而影响粒子群算法寻优的精度，这也是群智能优化算法的一种通病。

最近几年，为了改进粒子群算法的不足之处，诸多学者做了较为深刻的探索，Jason等[7]提出达尔文粒子群优化(DPSO，Darwinian partical swarm optimization)算法，将生态环境中的自然选择的策略引入到粒子群算法之中。……