张津源，张 军，季伟东，孙小晴，张 珑

1(哈尔滨师范大学 计算机科学与信息工程学院，哈尔滨 150025)

2(天津师范大学 计算机与信息工程学院，天津 300387)

1 引 言

粒子群算法(Particle Swarm Optimization)是由Kennedy和Eberhart[1]在1995年受鸟类觅食行为的启发提出的一种进化算法.在算法中，每个粒子代表一个问题的潜在解.每个粒子以一定速度在多维搜索空间中飞行，粒子速度随着个体最佳位置和群体最佳位置的变换而更新.粒子群算法运行速度快且易于实现，近年来在旅行商问题[2]、文本功能选择[3]、预测时间[4]和动态车辆路径[5]等众多领域被广泛应用.但这些特点也使得粒子群算法存在很大的随机性，当粒子群算法在优化比较复杂的多峰问题时易出现过早陷入局部最优、收敛速度慢、收敛精度低等一系列问题，针对PSO存在的这些问题，研究学者们在调整参数、结合其他优化策略或算法以及改变粒子的邻域拓扑结构等方面做出了许多改进工作.

1998年Shi和Eberhart[6]提出了带有惯性权重的的粒子群优化算法，改进了最早期的PSO算法容易陷入局部最优的问题.Clerc随后就提出了带有压缩因子的粒子群优化算法[7]，根据粒子进化的不同阶段控制权重大小，解决陷入局部最优的问题并提高收敛速度.这是两种最经典的PSO改进算法.Gang[8]基于自然界中的种群迁移行为，将种群随机划分为若干子种群，利用竞赛选择的方式进行粒子迁移.Zhang[9]采用自适应策略在子种群上更新惯性权重，并通过共享信息自适应地更新当前……