康朝海, 王博宇, 杨永英

(1. 东北石油大学 电气信息工程学院, 黑龙江 大庆 163318； 2. 大庆油田矿区服务事业部 物业管理一公司, 黑龙江 大庆 163000)

0 引 言

在现实生活中, 许多数学和工程问题都可以简化成在可行域内的高维函数寻优问题, 如磨矿过程控制[1], 车辆调度[2], 控制器参数整定[3]等。对此如人工鱼群算法[4], 粒子群算法[5], 蚁群算法[6]等群智能算法被广泛应用解决此类问题。

人工鱼群算法(AFSA： Artificial Fish Swarm Algorithm)是由李晓磊等[4]于2002年基于自然环境中鱼类行为提出的一种仿生智能优化群算法。该算法具有对搜索空间适应能力强, 全局寻优能力良好, 操作实现简单且鲁棒性较好等优点。目前人工鱼群算法除了用于求解函数寻优问题, 还应用于其他多个领域, 并取得一定成果, 如故障诊断[7]、 图像检测识别[8]、 路径规划[9]和网络覆盖优化[10]等。但该算法前期全局搜索盲目性大、 后期收敛速度慢、 虽然能寻找到最优值所在的大致区域但很难找到高精度的最优值。

粒子群算法(PSO： Particle Swarm Optimization)是Kennedy等[5]于1995年通过对聚集生物觅食行为研究后提出的一种群体智能优化算法。该算法具有参数少, 易于实现, 计算速度快, 局部搜索能力强等优点。目前已应用于众多领域, 如电力系统优化[11]、 模式识别[12]和目标跟踪[13]等。但该算法存在全局搜索性能差、 易陷入局部最优、 迭代时易出现停滞现象等缺点。

笔者根据优势互补的改进思想, 用人工鱼群算法的全局搜索性好的优点克服粒子群算法全局搜索性能差的缺点, 同时用粒子群局部搜索能力强的优点克服人工鱼群算法局部搜索性能差的缺点, 提出一种鱼群粒子群混合算法。……