邓 浩，李均利，胡 凯，李 升，林秀丽

(四川师范大学 计算机科学学院，成都 610101)

1 引 言

粒子群算法(Particle Swarm Optimization，PSO)是基于群体智能的全局优化算法[1]，有着广泛的应用[2-4].粒子群算法中的参数控制着粒子的行为，在不同参数下粒子会展现不同的行为模式[5].PSO的参数设置可以分为参数整定和参数控制两种，前者是针对具体问题确定合适的常数值，后者是在运行过程中改变参数的值.根据问题类型为算法设置合适的参数能够取得好的效果，但是如果无法预知问题性质，预设合适的参数就很困难.合适的参数控制方式可以提高算法的通用性能，所以寻找有效的参数控制方式很重要.参数控制有如下几种形式：

时变规则：基于迭代次数改变参数.其主要思想是在前期鼓励探索，后期鼓励开发.如在标准粒子群算法中，通过对惯性权重的线性递减变化，使得粒子的速度随着迭代次数的增加逐渐降低，增强了算法的收敛性.文献[6]令认知系数从2.5-0.5变化，社会系数从0.5-2.5变化，使算法前期倾向于探索，后期倾向于开发.

参数适应：将搜索过程中的反馈信息映射到参数上.如文献[7]根据粒子平均间距调整惯性权重，提出一种非线性改变惯性权重的策略.文献[8]根据感知个体适应值的优劣调整惯性权重，提出一种自调节PSO算法.文献[5]在搜索过程中通过定量度量粒子位置的自相关性、预期移动距离、搜索的焦点的来改变粒子的参数.文献[9]根据粒子和全局最优粒子间的距离来……