高嘉乐,邢清华,李龙跃,范成礼

(空军工程大学防空反导学院,710051,西安)

受鸟群捕食的行为启发,Kenney等于1995年提出了粒子群优化(PSO)算法[1-2],这种算法具有收敛速度快、结构简单等特点,由于它对许多优化问题表现出较高的求解效率而受到国内外广泛的关注[3-5]。但是在求解高维空间的复杂问题时,PSO算法容易早熟且陷入局部最优,在多峰值函数的求解问题中表现更为明显。针对这一问题,很多学者对PSO算法进行优化和改进,主要集中在参数调整和与其他智能算法相结合两个方面。增加随机搜索范围和频率的方式可以避免PSO算法陷入局部最优,采用的方法如模糊逻辑[6]、混沌理论[7]、变化临域粒子辅助更新[8]等。大部分改进算法将基本PSO算法与全局搜索能力较强的智能算法结合,例如多种群方法[9]、人工蜂群(ABC)算法[10]、布谷鸟算法[11]、采用螺旋样式的涡流搜索(VS)算法等。

目前,螺旋搜索(SS)主要应用于反潜搜索路径规划、磁盘阵列搜索等领域,但在连续函数优化方面应用较少。文献[12]提出了一种螺旋粒子群搜索算法,采用了一种螺旋样式的搜索行为以解决PSO早熟问题,这种方法的参数是随机设置的,并且搜索区域尺寸固定,相当于在一个固定尺度搜索空间中的随机搜索,虽然可以避免陷入局部最优,但效率不高。与螺旋搜索样式相似,文献[13]提出一种涡流样式的算法,以当前种群个体为中心在一个衰减半径的区域内进行随机搜索,尽管搜索范围衰减,但这种搜索方式仍然是一种无目的的搜索。……