朱洪根，田立勤,2，陈 楠

(1. 华北科技学院 计算机学院,北京 东燕郊 065201; 2. 青海师范大学 计算机学院,青海 西宁 810000)

0 引言

粒子群算法(Particle Swarm Optimization,PSO)是受鸟群和鱼群捕食行为启发而产出的一种全局迭代优化算法，是由Kennedy和Eberhart等[1]在1995年提出的一种演化算法，该算法的优点为:结构简单、收敛速度快、鲁棒性强。

由于PSO算法在寻优搜索过程中，不能很好的平衡粒子的局部和全局搜索能力，导致PSO算法易陷入局部最优，降低了PSO寻优解的精确度。基于此，Shi与Eberhar[2]于1998年提出惯性权重的概念(基本粒子群算法,BPSO)，通过惯性权重可以更好的控制粒子的搜索范围，惯性权重偏大则有利于提高算法的全局搜索能力，偏小则有利于增强算法的局部搜索能力。针对PSO算法的全局和局部搜索能力不平衡问题，Shi与Eberhart进一步提出了线性递减的惯性权重[3](标准粒子群算法,SPSO)，该算法对静态的惯性权重进行了改进，线性递减的惯性权重可以对粒子的迭代前期和后期搜索行为进行限定，粒子在整个迭代期间可以进行多元搜索。文献[4]使用压缩因子K来保证PSO快速收敛(KPSO)，该算法比SPSO能够更快收敛，但也易陷入早熟状态。针对粒子群算法的优化问题，国内学者也取得了一定的研究成果。文献[5]提出一种基于邻域速度模仿策略的粒子群算法，该算法让迭代中的粒子以一定的概率直接模仿邻域内的最优粒子的速度，自适应的调整粒子的收敛情况，并对速度排名靠后的粒子进行质心变异，以增强算法跳出局部极值的能力。……