陆松建，司伟立，韩 娟,3,4，李质彬

(1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.中国科学院计算技术研究所 移动计算与新型终端北京市重点实验室，北京 100190；3.中国科学院计算技术研究所 无线通信技术研究中心，北京 100190；4.中国科学院大学 计算机与控制学院，北京 100049)

0 引 言

粒子群优化(particle swarm optimization，PSO)算法存在易陷入局部极值、过早收敛和收敛精度低等问题[1-4]。为解决PSO算法存在的问题，目前提出的改进方法大致分为4类：基于粒子初始化的改进，如文献[5]中利用Hammersley对粒子位置进行初始化，使初始种群能够均匀覆盖整个搜索空间；基于粒子群速度更新公式的改进，包括参数调节和公式自身改进二种方式，如动态调整惯性权重粒子群算法[6]、二阶振荡策略粒子群算法[7]，该类方法通过均衡算法全局与局部寻优能力，加强算法跳出局部最优的能力；基于分群策略的改进，如文献[8]将整个种群分为PSO机制迭代分群和混沌机制迭代分群，有利于增强种群多样性避免陷入局部极值中；基于混合机制的改进，利用其它算法优势帮助粒子群算法跳出局部最优，如模拟退火粒子群算法[9]、混沌粒子群算法[10]、免疫粒子群算法[11]等，混合算法寻优性能较好，但混合机制使得算法变得更加的复杂与繁琐。

本文基于前人的研究，提出了一种逃逸均值简化粒子群优化(escape mean simplified particle swarm optimization，EMSPSO)算法，EMSPSO算法不使用速度更新公式，在简化粒子群优化算法的基础上，加入均值搜索策略和逃逸策略，保证极快收敛速度的同时有效地改善PSO算法易陷入局部最优的问题。……