基于进化能力的多策略粒子群优化算法

王晓艳，曹德欣

中国矿业大学 数学学院，江苏 徐州 221116

粒子群优化（particle swarm optimization，PSO）[1]算法是受鸟群捕食行为启发提出的一种群体智能算法。该算法简单、收敛快、鲁棒性高、易于实现，已经在特征选择[2]、移动机器人定位[3]、工程设计[4]等多个问题上被广泛应用。然而，在算法后期，粒子常常被困于局部最优，从而过早收敛，因此研究人员从改进参数、增加种群多样性、与其他智能算法结合等方向对粒子群算法进行改进。Shi和Eberhart提出线性递减惯性权重[5]，算法性能得到提升，之后又针对动态系统提出一种随机调整惯性权重[6]的方法。文献[7]设计了一种自适应惯性权重，并对群体最优引入混沌策略，从而避免粒子陷入局部极值。文献[8]利用其他粒子的个体历史最优来更新粒子的速度，以提高种群的多样性。文献[9]结合RMSProp算法中对学习率每个维度自适应调整的策略，设计自适应的惯性权重。文献[10]对粒子的进化趋势进行干预，减少随机性，同时用个体最优指导群体最优在单个维度的学习，提高收敛精度。文献[11]将遗传算法、蚁群算法和粒子群算法相结合，提升算法的探索和开发能力。同时，有学者利用混合多种不同进化策略或学习机制的方式，取长补短，克服算法缺陷。文献[12]中让粒子根据历史经验和环境感知自适应选择不同的进化策略。文献[13]引入三洞系统捕获策略提升种群多样性，多维随机干扰策略和早熟扰动策略提升算法精度。文献[14]在简化粒子群算法的基础上融入基于相似度及聚集度分析的莱维飞行，帮助粒子逃离局部最优。……