李 眩，吴晓兵，童百利

（铜陵职业技术学院经济贸易系，安徽 铜陵 244061）

算法。该算法采用非线性递减策略对惯性权重进行调整,使其具有平衡PSO 算法的全局和局部搜索能力。仝秋娟等［5］、张晓莉等［6］提出一种基于适应度的粒子群优化算法，根据粒子的适应度值动态自适应地调整算法中惯性权重和学习因子的取值，以平衡算法的全局搜索与局部搜索能力，从而避免算法陷入局部极值。杨巍等［7］对基本粒子群算法的更新迭代方式进行了改进，提出一种改进的动态权值自适应粒子群优化算法。采用动态权值自适性优化局部搜索和全局搜索，达到合理搜索的目的。以上研究表明，通过对粒子群算法惯性权重的自适应调整能改善算法的寻优能力。上述基于粒子群算法的惯性权重自适应改进，是改进粒子群算法提升算法效率的一条思路，为后续自适应粒子群算法的研究提供了借鉴。

引 言

粒子群算法（PSO）是模拟鸟群觅食行为发展起来的集群体协作和信息共享的群体智能算法，具有操作简单、收敛速度快、鲁棒性好的特点，且有深刻的智能背景，在科学研究和工程中应用非常广泛。粒子群算法的应用从最初的函数优化扩展到现在的神经网络训练、图像处理、工程领域的过程优化、随机优化问题的求解、最优控制等领域［1］。随着粒子群算法应用研究的深入，传统PSO 算法的局限也相继被发掘，譬如存在早熟收敛或者不收敛、维数灾难、易陷入局部极值等问题［2］。……