周文峰，梁晓磊*，唐可心，李章洪，符修文

（1.武汉科技大学汽车与交通工程学院，武汉 430065；2.上海海事大学物流科学与工程研究院，上海 201306）

（*通信作者电子邮箱liangxiaolei@wust.edu.cn）

0 引言

粒子群优化（Particle Swarm Optimization，PSO）算法是由Kennedy 和Eberhart［1-2］受鸟群等聚类生物寻觅食物行为的启发而提出的一种群体智能优化算法。PSO 算法具有原理简单、结构简洁、参数少和鲁棒性强等特点，在生产调度问题、车辆路径问题、神经网络优化和配送中心布局问题等领域得到广泛应用。和其他智能算法一样，在求解复杂高维度的函数时，PSO 算法容易出现早熟和陷入局部最优的现象。针对以上问题，国内外学者做了大量研究。张艺瀛等［3］提出了基于动态邻域的多策略进化的量子粒子群优化算法，定义了一种动态邻域选择机制和三个不同策略的局部吸引子更新方程。翟亚飞等［4］提出了改进PSO，根据需要求解的问题设计了编码和解码机制，并引进了变异机制和改进了传统的迭代机制。范厚明等［5］提出了混合粒子群算法，结合变邻域下降搜索为主体的适应性扰动机制，采用适应性选择邻域策略，并在邻域搜索中设置了可变的循环次数。刘宁庆等［6］提出了一种改进粒子群算法，对基本粒子群算法速度更新公式进行修改，设计了权重系数。刘明等［7］提出了一种基于定期竞争学习机制的多目标粒子群算法，将粒子群算法与竞争学习机制融合，提高了算法收敛性。张鑫等［8］等将二范数原理和差分算法中的交叉算子引入粒子群算法中，提出了一种含交叉项的混合二范数粒子群优化算法。……