王文丰，徐灯，傅晶，韩龙哲，方宗华，董健华，章香

1. 南昌工程学院江西省水信息协同感知与智能处理重点实验室，江西南昌 330099

2. 南昌工程学院信息工程学院，江西南昌 330099

粒子群算法因借鉴鸟群集体捕食的特性，便于理解、参数少且易实现，在科学研究与工程实践中备受关注，譬如在路径规划、图像处理［1］和洪水预报［2］等众多领域中都得到了广泛应用。然而，PSO 算法却也存在着一些不足之处，如：前期因粒子的搜索范围固定易陷入局部最优使其早熟、后期因粒子的搜索方式单一而导致粒子收敛速度较慢从而无法保证搜索精度等。

针对上述问题，国内外专家学者研究并提出了多种改进方法和策略。孙辉等［3］提出从维度值角度出发来提高种群的多样性，为得到变异的新维度值，首先选取优质粒子，然后将粒子随机的散落到不同的维度空间中，用列维飞行的方式从一个维度移动到另一个维度中，最终获得了变异新维度。张鹏威等［4］为了加强离散型二进制板块中粒子的全局搜索能力，采用了正弦映射和扩张算子的方法。Chen 等［5］采用基于位置的学习方法对种群进行初始化，并引入正余弦加速度系数来控制局部搜索范围和全局最优解收敛速度。Hakl等［6］利用Levy 飞行策略改变固定步长的特性与PSO 算法结合来提高粒子的收敛精度。Liang 等［7］为加强粒子间信息交流能力使其多个小种群频繁重组交流并使用拟牛顿法来增强局部搜索能力。上述研究对PSO 算法在种群跳出局部最优、粒子多样性和参数设置等方面进行了改进，在一定程度上提高了算法的整体性能，但是依然有大部分的算法都有收敛速度慢，精确度低，过早成熟的各种问题，这些问题最常发生在高维函数优化问题上。……