吴永红，曾志高，邓 彬

（湖南工业大学 计算机学院，湖南 株洲 412007）

0 引言

粒子群算法是一种经典的元启发式算法[1]，该算法由C.Reynolds 于1987 年对鸟类觅食行为进行模拟研究时得出，他提出如下模拟鸟群个体简单行为的3个规则：

1）防止鸟群发生碰撞，即减少与其他粒子产生碰撞；

2）鸟群个体保持速度相近，即速度与邻近粒子尽可能相近；

3）鸟群个体朝中心靠拢，即朝粒子群中心尽可能聚拢。

其后，J.Kennedy 等基于C.Reynolds 的研究结论，在1995 年经过进一步研究提出了一种粒子群优化（particle swarm optimization，PSO）算法。该算法对之前的算法进行了参数简化，算法原理更为简单，易于实现[2]，因此得到许多研究人员的关注，并且被应用于处理各种优化问题。例如：张鑫等[3]提出了一种自适应简化粒子群优化算法，按照一定规律引入分布的锁定因子，从而粒子位置的惯性权重可以通过锁定因子自适应配置，导致算法收敛速度得到了有效提高，但是仍然存在鲁棒性较弱、收敛精度较低等缺陷；王永贵等[4]为了增加种群的多样性，在算法中引入了动态分裂算子，以此避免陷入局部最优解，然后通过采用指数衰减的惯性权重，平衡粒子的局部以及全局的搜索；杜美君等[5]提出了一种基于相似度动态调整惯性权重的方法，它将更小的惯性权重值赋予靠近目前最优粒子的个体，但是算法收敛速度较慢，当处理复杂函数问题时，耗时较长。PSO 算法也存在很多的局限，在迭代时粒子群体多样性不断降低，导致算法容易陷入局部最优解、收敛速度后期变慢或者出现早熟收敛等问题。……