動態改變慣性權重的新模式粒子群算法

杜 江，袁中華，王景芹

(河北工業大學 電磁場與電器可靠性省部共建重點實驗室，天津 300130)

近年來，各種智能仿生算法相繼被提出，1995年由Kennedy等[1]等提出的粒子群算法(particle swarm optimization，簡稱PSO)便是其中一種.粒子群算法是對鳥群和魚群捕食行為進行抽象模擬的一種群智能優化算法，具有結構簡單、參數個數少、魯棒性強等優點，一經提出便在計算機領域和許多工程領域得到廣泛應用[2-8].

然而，與其他智能算法一樣，粒子群算法也存在易陷入局部最優、收斂精度不高、收斂速度較慢和收斂成功率低等問題.針對這些不足，國內外學者進行了大量的研究與改進.文[9]提出一種新的控制慣性權重的方法，控制過程簡單、易實現，但對算法性能的提升非常有限.文[10]根據每個粒子的適應度值自適應地改變每個粒子的速度權重，動態調整每個種群粒子的活性，提高了算法的全局尋優能力和收斂能力，但收斂速度卻有所下降.文[11]引入了動態跟蹤鄰域項，改進了慣性權重和學習因子的調整策略，顯著提高了算法全局收斂性能.文[12]將混合蛙跳算法中的排序和分組機制引入簡化粒子群算法中，提高了算法的求解精度，同時降低了算法收斂于局部最優解的可能性.

論文針對標準粒子群算法的不足，通過實時調整慣性權重和粒子飛行路線，構建了一種新的改進的粒子群算法(particle swarm optimization algorithm with dynamically changing inertia weight，簡稱DMPSO).通過4個標準測試函數對改進后粒子群算法的性能進行測試，證明了改進算法求解復雜……