采用分等级学习策略的二进制粒子群优化算法∗

2020-07-13戴海容李浩君张鹏威

计算机与数字工程 2020年5期

戴海容李浩君张鹏威

（1.浙江金融职业学院工商管理学院杭州 310018）（2.浙江工业大学教育科学与技术学院杭州 310023）

1 引言

Kennedy和Eberhart最先提出了基本的粒子群优化算法［1］，基本粒子群优化算法被广泛应用于具有连续性质的问题；为了解决实际生活中众多离散型问题，Kennedy和Eberhart于1997年提出二进制版本的粒子群优化算法［2］（Binary Particle Swarm Optimization，BPSO）。但是二进制粒子群优化算法在寻优后期同样存在易陷入局部最优、多样性丢失现象，导致收敛精度低的问题。相关学者从参数优化［3～4］、种群优化［5～6］、混合优化［7～8］、变异算子［9～10］、速度更新［11］和映射函数［12～13］等多个角度对粒子群优化算法进行了改进，以提高算法的收敛性能和多样性能。上述方法在一定程度上提升了BPSO算法的精度和多样性，但是并不能从本质上解决精度与多样性的矛盾问题；其中多种群优化角度还存在粒子数量多、计算量大的问题。因此，二进制BPSO算法的收敛性能还有较大优化空间。

本文借鉴鸡群算法中的等级制度，提出采用分等级学习策略的二进制粒子群算法（HLBPSO）。HLBPSO算法根据适应度值将粒子分为三个等级，对每个等级粒子采取针对性的学习策略，实现算法性能提升；受变异算子能够增加种群多样性［9］的启发，进一步提出逃逸算子用于劣势粒子逃出所处区域，使劣势等级粒子有能力朝着最优解探索；最后根据当前粒子与最优等级粒子之间距离的差分向量实现惯性权重自适应更新，提升算法精度，增强解的多样性。