王生亮，刘根友

(1. 中国科学院测量与地球物理研究所，湖北 武汉 430077；2. 中国科学院大学地球与行星科学学院，北京 100049)

1 引言

粒子群优化算法(Particle Swarm Optimization，PSO)是由美国著名学者Kennedy博士和Eberhart博士于1995年通过模拟鸟群集体行为提出的一种集群智能算法，用来寻找问题最优解的随机优化方法[1，2]。由于该算法具有操作简单、收敛速度快、可调参数少等优点，在目标规划、极值优化、图像处理、大地测量、模糊控制等众多领域都得到了广泛应用[3-7]。PSO算法通常可以调整的参数主要有种群大小、最大搜索空间与速度、最大迭代次数、惯性权重、学习因子等。随着深入研究发现，标准PSO算法在进化后期所有粒子速度快速降低，进化停滞不动，存在早熟收敛、易于陷入局部极值等缺陷[8]。其中，惯性权重是最重要的参数之一，算法的执行效果很大程度上取决于惯性权重的选取，其控制着PSO算法的探索和开发能力。采用较大的惯性权重有较强的空间探索能力，即算法的全局搜索能力强，而局部搜索能力弱；较小的惯性权重有较强的开发能力，即算法的局部搜索能力增强，而空间搜索的能力减弱[9]。针对以上缺点，众多学者对惯性权重的选取提出许多改进的策略，如Shi和Eberhart依据种群进化进程及粒子飞行情况对PSO算法的惯性权重进行线性动态调整(Linearly Decreasing Inertia Weight，LDIW)，以平衡搜索的全局性和收敛速度[8，10]。文献[11]和[12]指出线性递减惯性权重中的全局搜索和局部搜索的比例没有变化，对于高维复杂函数的全局搜索和精……