二次择优后的PSO算法

杨 超 （长江大学一年级教学工作部，湖北 荆州434025）

洪云飞 （长江大学期刊社；信息与数学学院，湖北 荆州434023）

陈 忠 （长江大学一年级教学工作部，湖北 荆州434025）

粒子群算法的产生来源于对简化的社会模型模拟，它是在鸟群、鱼群和人类社会的行为规律的启发下提出的，它和蚁群算法一样都有群体智能的特点［1］。粒子群优化算法 （PSO算法）自提出以来，就以概念简单、容易实现和需要调整的参数较少等优点吸引了大批学者进行研究，逐步渗透到各个应用领域，如物流配送中心选址、结构设计、电磁场、任务调度等工程优化问题［2］。

PSO算法中初始化的粒子群是随机的，粒子群是否优良不能确定，因此迭代后粒子群的好坏无法确定，存在一定的不确定性因素，最终的优化效果是否最优无法确定。为了解决这个问题，笔者将初始化的粒子群经过一次迭代后得到新的一组群体，从这2组粒子群中筛选一组优良品种，作为新的初始化粒子群体，这样既保证了初始化粒子群的质量，又可以提高全局优化效果。

1 粒子群算法的基本思想

PSO算法中每一个粒子就是解空间中的一个解，所有粒子构成了粒子群，每个粒子有一个速度决定它飞行的方向和距离［3］。PSO算法初始化一群随机粒子，然后，某个粒子追随当前的最优粒子运动，直到整个解空间中搜索到最优解为止。在每次迭代中，粒子通过追踪个体极值pi（粒子自己找到的最优位置）和全局极值pg（整个粒子群找到的最优位置）来更新下一时刻的速度和位置。……