张晓闻, 任勇峰

(中北大学仪器与电子学院， 太原 030051)

粒子群算法(particle swarm optimization, PSO)[1]是一种模拟鸟群觅食行为的优化算法，近年来，由于该算法简单，参数设置少，容易跳出局部最优，搜索到全局解被广泛应用。传统粒子群算法为不同的交互对象构造两种不同的版本，全局最好模型(globalbest，Gbest)及局部最好模型(localbest，Lbest)。而近年来，学者们研究了很多不同的改进算法，文献[2]中以Shi和Eberhart的粒子多样性为基础，给出了多种求解位置多样性、速度多样性及种群多样性的方法，都取得了很好的效果。其他方面，文献[3]中提出一种融合优质粒子分布的粒子群优化算法，在“社会”部分加入以分布估计算法为基础的优质粒子，该优质粒子是根据统计学习概率模型而产生的。文献[4]为了在扩大粒子搜索空间时避免陷入局部最优，利用了正弦函数独有的振动特性，在位置公式中加入正弦三角函数因子。有的学者根据反推理论，从反向学习的角度出发，文献[5]利用反向学习策略进行改进，用反向解代替当前解，择优进行下一次迭代。文献[6]在反向学习的基础上，引入折射原理思想，对粒子群算法进行改进。还有研究学者利用小生境邻域[7]的思想进行改进粒子群算法，其思想是粒子的邻域结构随着迭代次数的变化而变化。因此针对不同的问题提出适合该问题的邻域结构，如文献[8]提出了利用拓扑结构构造局部邻域解。文献[9]提出了一种带有粒子聚合度的改进粒子群算法，该算法中融合了聚合度和惯性权重的概念，聚合度反映粒子聚集的程度，作用是使粒子跳出局部最优。……