胡 佳

(中国市政工程中南设计研究总院有限公司,武汉 430010)

粒子群优化算法(Particle Swarm Optimization,PSO)是由Kennedy和Eberhart[1]提出的模拟鸟群觅食行为的一种群体协作随机优化方法.PSO 算法中每个粒子都代表一个问题的候选解,通过粒子个体的简单行为及群体内的信息交互实现问题求解的智能性.其概念简单、实现容易、鲁棒性强、优化性能好,常用于解决多峰值、非线性等问题,并在函数优化[2]、图像处理[3]、系统辨识[4]、神经网络[5]、有限元模型修正[6]等工程和科学领域得到广泛应用.

虽然PSO 算法优化性能较好,但也存在早熟收敛、容易陷入局部极值、迭代后期收敛速度慢等问题.对此,国内外研究学者从调整算法自身参数、改变粒子学习模式、结合其他优化算法等方向提出诸多改进的方法.吴静等人[7]通过动态调整惯性权重,提高了算法收敛速度及稳定性.张继荣等人[8]提出一种惯性权重余弦调整的PSO 算法,提高了算法的精度.李龙澍等人[9]为平衡粒子的搜索行为提出了一种新的自适应惯性权重混沌PSO 算法,提高算法全局探索能力.谭阳等人[10]改变粒子学习模式,将PSO中指导粒子群进化的全局最优解扩展为由多个精英粒子组成的精英子群,提高了算法跳出局部极值的能力.Liang 等人[11]提出了一种综合学习PSO 算法,在多峰函数上具有较好的优化效果.Jiang 等人[12]将遗传算法中杂交算子引入到PSO 算法中,有效提高了算法的收敛性.Xia 等人[13]在PSO 算法中引入变异算子对人行桥进行模型修正,算法收敛速度……