顾明亮，李 旻

(华南理工大学机械与汽车工程学院，广东 广州 510640)

0 引 言

粒子群算法是由Kennedy和Eberhart[1]共同提出的。然而，基本的粒子群算法无法选择进行全局搜索还是局部搜索。文献[2]在基本粒子群算法的基础上提出了带有惯性权重的改进粒子群算法，由于该算法在迭代的过程中收敛效果较好，通常被默认为标准粒子群算法。文献[3]提出的线性递减动态调整惯性权重粒子群算法能够在迭代的过程中划分粒子进行局部搜索还是全局搜索，取得了较好的效果。然而，当面对复杂的非线性多维函数优化问题时，算法容易陷入局部最优解。因此，为了能够让算法达到最优性能，非线性权值调整策略逐渐替代线性权值调整策略。非线性函数有很多，常用的调整曲线为正切曲线、正弦曲线和对数曲线等[4-6]。权值调整曲线的变化规律一般为：迭代前期，惯性权重w值较大，此时算法全局搜索能力较强；当进入到迭代后期时，w值较小，此时局部搜索能力得到加强。然而，对于一些非线性多峰函数来说，当算法进入到后期时容易陷入局部最优解，造成算法早熟收敛[7-8]。

为了让粒子群算法在迭代的后期可以搜索到全局最优解，刘爱军等人[9]在标准粒子群算法中加入了混沌搜索策略，利用混沌搜索的遍历性来增强算法全局寻优的能力。赵志刚等人[10]根据迭代过程中适应度的大小关系将处于不同组别适应度的粒子赋予不同的惯性权重。文献[11]提出了基于反向学习的粒子群算法增加种群的多样性。……