舒小丽，刘衍民，张倩

（1.贵州民族大学数据科学与信息工程学院，贵阳 550025；2.遵义师范学院数学学院，遵义 563006；3.贵州大学数学与统计学院，贵阳 550025）

0 引言

粒子群算法［1］（PSO）是模拟了鸟类在群体中的捕食行为，它将群体中的鸟看作是无质量的粒子，通过群体中粒子之间的相互合作和信息交流来寻找最佳食物的位置。由于粒子群算法相对简单，易于实现，且没有太多的控制参数需要调节。1995年由Kennedy和Eberhart正式提出以来，吸引了众多研究者对此进行研究。多次模拟实验结果显示，该算法对于解决大多数优化问题都有较好的优化效果。目前被应用于控制系统、预测时间、动态车辆路径以及其他算法领域。但是，PSO算法在复杂的多峰问题上还存在多样性差、易早熟收敛、精度低等一系列问题，为了解决这些问题，提升算法的运行效果，研究者们提出了许多该算法的改进。①参数改进：Kennedy等［2］人在1998年提出了线性惯性权重因子，改进了早期粒子群算法收敛性慢的问题；②拓扑结构：根据拓扑结构的不同对粒子群算法进行改进，比较经典的是分为局部的拓扑结构和全局拓扑结构，它们的差异是学习样本的选择不同，该方法对于不同的问题表现出不同的优化效果；③多群粒子群算法：VAN［3］和刘衍民［4］将种群分为多个种群，由种群之间信息共享，提高算法的运行效率，它们与原始的粒子群算法相比性能有显著提高。

本文在研究者研究的基础上，结合SHI［2］和张津源［5］提出了具备预判能力和向最小距离学习的粒子群算法。……