徐 灯，傅 晶，王文丰，2，章 香，韩龙哲，2，方宗华，董健华

(南昌工程学院 1.信息工程学院;2.江西省水信息协同感知与智能处理重点实验室，江西 南昌 330099)

粒子群优化算法(Particle Swarm Optimization，PSO)是由Eberhart[1]等根据鸟群觅食行为所提出。PSO具有很好的生物社会背景，易于理解、参数少且易实现，在科学研究与工程实践中备受关注，譬如在路径规划[2]、图像处理[3]和洪水预报[4]等众多领域中都得到了广泛应用。然而，PSO算法却也存在着一些不足之处，例如容易陷入早熟现象、后期收敛速度较慢以及收敛精度不高等问题。

为此，国内外专家学者提出了许多不同改进策略的粒子群算法。Yan[5]等将随机学习机制与Levy飞行策略的特点相结合，在粒子的位置更新过程中，让粒子频繁短距离变换和偶尔长距离跳跃来提高种群的多样性。Chen[6]等引入正余弦加速度系数有效加强局部搜索能力，再对粒子进行反向学习，加入服从正余弦变化的惯性权重加速因子，提高了收敛的速度。文献[7]在速度更新方式中加入了局部最优位置，动态调整个体最优、局部最优以及群体最优在速度更新公式中的权重，改进了PSO算法的优化性能。Hao[8]等在改进粒子群算法时采用了算术交叉，共享粒子之间的信息来帮助早熟粒子跳出局部最优，提高了算法的精度。Zhao[9]等提出将种群分为正常和早熟两种状态，当种群处于正常状态按标准PSO公式进化，在早熟状态则引入矢量高斯学习策略以增强种群多样性。张强[10]等对种群的进化方式做了细分，结合了4种不同的方式使粒子进化具有自主性，提高了算法的精度和收敛速度。……