闫 李，李国森，瞿博阳，马佳慧

(中原工学院 电子信息学院，河南 郑州 450007)

0 引 言

为提高粒子群算法(PSO)[1-5]的寻优性能，研究人员提出许多解决方案。张新明等[6]将趋优算子与莱维飞行(levy flight)策略引入粒子群算法，以平衡算法的全局和局部寻优能力。Aydilek[7]融合萤火虫算法提出了萤火虫-粒子群混合算法，以避免早熟收敛。Elsayed等[8]在算法中采用交叉操作和参数自适应机制，以提高解的多样性。袁小平等[9]引入社会学习策略以提升PSO的全局搜索能力，并采用Levy Flight策略使种群摆脱局部最优陷阱。

尽管上述研究在一定程度上提高了标准PSO算法的寻优性能，但PSO算法进化后期收敛速度慢、寻优精度低等不足仍需要进一步深入研究。因此，本文提出基于信息微传递机制的粒子群算法(IMPSO)，该算法具有以下3个方面的特点：①采用信息微传递机制，提高种群的多样性；②引入逃离策略，防止种群陷入局部最优；③设计了一种动态边界化策略，提高算法搜索效率。最后，本文选取具有不同特性的测试函数在6种算法上进行性能对比以验证IMPSO算法的有效性。

1 标准粒子群算法

假设MaxIter表示算法最大迭代次数，种群规模为NP，搜索空间维度为D。第i个粒子的位置表示为xi=(xi1,xi2,…xiD)，其速度表示为vi=(vi1,vi2,…viD),标准PSO算法通过其个体历史最优值pbesti=(pbesti1,pbesti2，…，pbestiD)和全局最优值gbesti=(gbesti1,gbesti2，…，gbestiD)对个体进行迭代更新[10,11]。其位置和速度更新定义如下

(1)

(2)

2 基于信息微传递机制的粒子群算法

2.1 信息微传递机制

标准PSO在整个进化过程中所有粒子个体跟随全局最优解进行搜索，增加了收敛到最优解的速度，同时会导致早熟收敛问题[12]。……