基于竞争侵略策略的粒子群算法

安 宁，张 军，季伟东

（哈尔滨师范大学 计算机科学与信息工程学院，哈尔滨 150025）

0 引 言

群体智能是模拟自然界生物群体行为而构造的随机优化算法，它为解决约束性、非线性和求极值等问题提供了新的思路。遗传算法［1］、蚁群算法［2］与粒子群优化（Particle Swarm Optimization，PSO）算法［3］是群体智能中重要的3种方法。其中PSO算法概念简明、易于实现、参数设置少，是一种高效的搜索算法。但在算法迭代后期，粒子群算法容易陷入局部最优且收敛速度较慢。为了提高算法性能，涌现出不同思想的优化策略。在基本粒子群算法进化方程的改进方面，Shi Y［4］在惯性权重的基础上，提出模糊系统动态调整惯性权重策略；Taherkhani M［5］等根据每个粒子与最优位置的距离和粒子性能，赋予每个粒子在不同维度上的惯性权重，实现了惯性权重的动态调整。惯性权重的调整可以平衡算法全局搜索与局部搜索能力，但对于提升算法后期，收敛速度仍有欠缺。胡旺［6］等将简化粒子速度更新策略应用于一种更简化而高效的粒子群优化算法。该算法删除粒子速度项，将二阶微分方程简化为一阶微分方程，大幅度的减少了算法的运行时间。同样，在改变速度更新策略方面，El-Sherbiny［7］提出无速度方程的粒子群优化算法。该算法中每个粒子的新位置直接由个体与群体最佳位置的不同线性组合来确定，用较少的迭代次数寻到较优的解。在借鉴其它优化策略方面，Clerc［8］等为保证算法的收敛效果，在粒子群算法中引入收缩因子，但收缩因子能力有限，不能较好的平衡全局搜索和局部搜索。……