多粒子角色协同作用的混合粒子群优化算法

摘要

针对粒子群优化(PSO)算法易陷入局部最优和后期收敛速度慢的问题,提出一种多粒子角色协同作用的混合粒子群算法(M PRPSO).引入粒子角色的概念,将种群粒子分成探索粒子(EP)、巡逻粒子(PP)和局部开发粒子(LEP)三类角色,在每次迭代中利用探索粒子以标准PSO算法搜索解空间,用基于混沌的巡逻粒子加强全局搜索,并在陷入局部最优时替代部分探索粒子,恢复种群活力.最后通过局部开发粒子的单维异步邻域搜索加强算法局部搜索能力,加快收敛.实验独立运行30次,所提算法在粒子角色比例为0.8:0.1:0.1的条件下,在Sphere、Rosenbrock、Ackley和Quadric函数中获得的平均值分别为2.352E-72、4.678E-29、7.780E-14和2.909E-14,尤其在Rastrigrin与Griewank函数中能收敛到最优解0,优于其他对比算法.实验结果表明,所提算法在优化性能上有所提高,并有一定的鲁棒性.