张 豪， 王贤琳

（武汉科技大学机械自动化学院， 武汉 430081）

0 引 言

粒子群算法（Particle Swarm Optimization， PSO）是由美国学者Kennedy 和Eberhart 于1995 共同提出的，通过对鸟群捕食习惯仿真，利用群体和个体之间信息共享达到捕食的目的，作为智能启发式算法之一，具有操作简单、参数少、易实现等优点［1］。 许多学者对粒子群算法进行改进，以加强粒子群寻优性能。 文献［2］首次提出粒子群惯性权重，惯性权重取0.9～1.2 时，粒子群具有较好的性能；文献［3］提出线性递减惯性权重，惯性权重线性下降时，粒子群在运行时可能缺乏全局搜索能力。 近年来，为了提高粒子群算法的稳定性，研究人员主要从惯性权重、学习因子和粒子群拓扑关系分析展开研究。

惯性权重是粒子群算法的核心参数之一，影响着算法的收敛性。 为了加强算法稳定性，改善收敛能力，文献［4］提出惯性权重一定时，粒子具有较好的收敛性，但是此方法在高维测试函数上求解较弱；文献［5］提出了正态分布衰减惯性权重粒子群优化，使得算法能很好的平衡全局搜索和局部搜索能力；文献［6］对粒子运动状态实施动态监测，并实时调整粒子惯性权重，大大减少粒子无效迭代次数；文献［7］赋予每个粒子每一维度以不同的线性衰减混沌化惯性权重，够较大幅度地增强粒子群算法的搜索能力，提高算法的寻优精度。

本文提出一种自适应惯性权重优化的粒子群算法（Adaptive Particle Swarm Optimization，APSO），将惯性权重和迭代次数以及每个粒子适应度联系起来，自适应的调整粒子群体中各粒子的惯性权重，改善算法性能。……