鲁华祥，尹世远，龚国良*，刘 毅，陈 刚

(1. 中国科学院半导体研究所 北京 海淀区 100083；2. 中国科学院大学微电子学院 北京 海淀区 100089；3. 中国科学院脑科学与智能技术卓越创新中心 上海 松江区 200031；4. 半导体神经网络智能感知与计算技术北京市重点实验室 北京 海淀区 100083)

群智能优化算法属于随机优化算法的一种，包括经典粒子群算法(particle swarm optimization, PSO)[1]、鲸鱼群算法(whale optimization algorithm, WOA)[2]、灰狼算法(gray wolf optimization algorithm, GWO)[3]、蝙蝠算法(BAT)[4]等，这些算法都是模拟大自然中某种生物的生活习性而创造的算法。

PSO[1]是一种群智能优化算法，其原理是模仿鸟群捕食和聚集的行为，并采用计算机模拟的方式创造一种随机优化的算法。该算法自首次提出开始就受到广泛关注，其优势主要在于它简单的基本原理、较少的参数和快速的收敛速度。该算法已经广泛应用于工业生产[5]、矿山[6]、煤炭[7]、水电调度[8]等领域。

但PSO 算法也有一些不足。传统PSO 算法可以很好地工作在低维问题上，但是在高维问题上经常表现很差。另外，PSO 算法在求解复杂问题时，经常会被困在局部最优点中，过早地收敛[9]。研究者对PSO 算法存在的问题进行了很多改进。文献[10]首次提出了惯性权重，文献[11]首次提出了收缩系数。这些方法都通过控制算法的一些运行参数较好地平衡了算法的探索能力和挖掘已有信息的能力。自组织层次化粒子群算法[12]通过采用一个随时间变化的参数，提升了算法的收敛能力。文献[13]提出了一种自适应粒子群优化算法，通过进化状态估计将种群状态划分为探索、开发、收敛和跳出4 种状态，然后根据这4 种状态自适应地调整惯性权重和加速度系数。……