基于中心位的粒子群优化算法

张渊博 邹德旋 张春韵 杜星瀚

摘  要： 针对粒子群优化算法（Particle Swarm Optimization，简称PSO）容易陷入局部极值、进化后期的收敛速度慢和精度低等缺点，提出了基于中心位的粒子群优化算法（Particle swarm optimization algorithm based on center particle，简称CPPSO）。该算法采取双策略更新粒子位置，一种通过随机惯性权重作用的粒子和影响算子作用的个体极值、全局极值来更新粒子位置，另一种在之前更新的粒子位置基础上，通过中心位采用差分算法来更新粒子位置。通过和其他3种优化算法在18个典型基准函数的仿真测试结果表明，该算法具有更好的全局收敛能力，其收敛速度、寻优精度和稳定性都有明显的提升。

关键词： 粒子群优化算法; 随机惯性权重; 简化粒子群优化方程; 影响算子; 中心位; 基准函数

中图分类号：TP301.6          文献标识码：A     文章编号：1006-8228（2021）12-22-05

Abstract： Aiming at the shortcomings of particle swarm optimization （PSO）， such as prone to fall into local extreme values， slow convergence speed and low accuracy in the later stage of evolution， a particle swarm optimization algorithm based on the central particle （CPPSO） is proposed. The algorithm adopts two strategies to update the particle position. One is to update the particle position through the particles affected by stochastic inertia weight and the individual extreme value and global extreme value affected by the influence operator; the other is to update the particle position by using the difference algorithm through the center position based on the previously updated particle position. Simulation test results of 18 benchmark functions with other 3 optimization algorithms show that the proposed algorithm has better global convergence ability， and the accuracy， speed and stability of convergence are significantly improved.

Key words： particle swarm optimization algorithm; stochastic inertia weight; simplified particle swarm optimization equations;influence factor; center position; benchmark function

0 引言

粒子群算法（PSO）是由Kennedy和Eberhart[1，2]在1995年提出的。由于其結构简单、计算量小，粒子群算法已被广泛应用于求解大范围优化问题[3]。该算法已成功应用于解决许多实际优化问题，如路径规划[4]、柔性作业车间调度[5]、特征选择[6]、深度神经网络[7]等。粒子群优化算法虽然原理简单、易于实现、收敛速度快，但仍存在收敛过早、全局搜索能力差等缺点。为了提高粒子群算法的优化性能，许多学者提出了各种各样的粒子群算法变体。这些算法可分为两大类：自适应粒子群算法和混合算法。

自适应粒子群算法主要是对粒子群算法公式进行改进和更新。在后来的研究中实施了一种自我调节权重来调整最佳粒子以改善勘探。……