蔡 铭，李 响

(北京理工大学宇航学院，北京，100081)

1 引言

粒子群优化算法是一种基于种群智能的优化算法，其结构简单且收敛速度快。近几年，粒子群算法仍然被广泛应用于各个领域，如轨迹优化[1]，数据辨识[2]和特征选择[3]等。但是相比与其它进化算法，粒子群算法在解决复杂的多峰问题容易陷入局部最优[4]。针对该缺点，不少学者提出了很多改进的粒子群算法。最为典型的便是CLPSO算法[5]，该算法通过提高粒子的多样性来提高算法对于多峰问题的解决能力，但是与此同时其收敛速度也随之降低。为了提高算法对不同类型问题的适用性，本文提出了，基于自适应选择的多策略粒子群算法。试验表明：与其它4种改进的粒子群算法相比，本文所提的算法具备更高的全局收敛精度与更快的收敛速度。

2 粒子群优化算法

粒子群算法是由Kennedy和Eberhart于1995年提出[6，7]。与遗传算法和差分进化算法类似，粒子群算法是一种基于种群的智能进化算法。粒子群算法模拟自然界中鸟类觅食与迁徙行为对问题的解空间进行搜索。每个粒子具有位置矢量与速度矢量，其位置矢量对应解空间中的一个解。粒子的位置矢量通过速度矢量进行更新，而速度矢量则根据粒子自身的历史最优位置pbest与种群的历史最优位置gbest进行更新。通过多次迭代得到的种群历史最优位置即为粒子群算法对该问题求解所得的最优解。对于粒子i而言，其速度矢量vi和位置矢量xi的更新可表示为

(1)

(2)

3 基于自适应选择的多策略粒子群

3.1 策略池的建立

传统的粒子群算法以及大多的粒子群改进算法的速度更新策略仅有一种，即式(1)或对式(1)进行改进。……