基于历史经验和实时调整相结合的粒子群优化算法

摘要

针对标准粒子群优化算法(PSO)优化高维复杂函数时易出现局部最优的缺陷，提出了基于历史经验和实时调整相结合的粒子群优化算法。在速度更新过程中考虑曾经的不好经验，避免粒子重复搜索曾经找到的最差位置，并充分利用每个粒子的个体最优信息，以提高算法的搜索能力。利用每个粒子的适应度值自适应地改变每个粒子的惯性权重，实时有效的调整全局和局部的搜索能力。用本算法优化4个标准测试函数，与其他3种算法进行比较，以检验本算法能够有效加快全局收敛速度和提高全局优化精度。