徐 超，单志勇，2，徐好好

（1.东华大学信息科学与技术学院；2.数字化纺织服装技术教育部工程研究中心，上海 201620）

0 引言

粒子群优化（Particle Swarm Optimization，PSO）算法1995 年由Kennedy 等［1］提出。粒子群算法由于原理简单、容易实现等优点，在实际工程中得到广泛应用［2-4］，但是粒子群算法对于高维函数问题往往不能收敛到全局最优点，收敛精度不高。针对这些问题，研究人员引进多种理论改进粒子群算法，集中在算法本身改进和与其它算法混合两个方面［5-7］。文献［8］提出一种具有指数衰减惯性权重的粒子群优化算法，改进后的算法收敛精度和收敛速度都得到提升；文献［9］利用余弦函数调整惯性权重与学习因子，增强粒子进化的多样性；文献［10］将引力搜索算法与动态多种群粒子群算法相结合，通过邻域进化策略提高粒子全局搜索能力；Ghasemi 等［11］将学习因子与算法迭代次数线性组合，给予粒子跳跃的学习能力，增强粒子跳出局部极值的能力；刘军梅［12］通过混沌效应，使种群数量随优化过程变多，保护种群多样性；文献［13］提出一种层次学习粒子群优化算法，算法进化过程中保留最高层粒子，避免种群多样性丧失，提高算法的全局收敛能力；Cheng 等［14］将粒子按照适应度值进行排序，根据粒子排序的不同调整粒子学习能力，算法在高维函数问题上具有良好的寻优性能。

本文结合文献［13］的层次学习思想与文献［14］的动态学习能力策略，对文献［13］全局收敛能力不足和文献［14］收敛速度慢的问题进行改进，提出一种具有动态学习能力的分层进化粒子群优化算法。……