下载后可任意编辑基于收缩因子的改进粒子群算法陈国鸿（河池学院 计算机与信息科学系 广西 河池 546300）摘 要：针对基本粒子群优化算法(ParticleSwarmOptimization，简称 PSO )存在的早熟收敛问题，提出了一种既保持粒子活性又保证粒子快速收敛于全局极值点的改进粒子群优化（XARPSO）算法。在算法运行过程中，假如种群多样性逐步减小，直至超出下限时，种群不再向整体最优位置靠近，而是纷纷远离该最优位置，从而执行了“扩散”操作，而当种群多样性逐步增大，直至超出上限时，种群又开始向整体最优位置靠拢，即执行了“吸引”操作，从而保持了粒子的多样性。同时，该方法引入收缩因子的概念，即通过正确选择惯性权重系数与加速常数即学习因子这些控制参数的值的方法，确保算法收敛。通过Goldstern-Price 函数的最小化测试结果表明，该算法不仅具有较快的收敛速度，而且能够更有效地进行全局搜索。关键词：粒子算法；收缩因子；吸引；扩散；多峰值函数引言粒 子 群 算 法 最 早 是 在 1995 年 由 美 国 社 会 心 理 学 家 James Kennedy 和电气工程师 Russell Eberhart 共同提出的，简称 PSO 算法。其基本思想是受他们早期对许多鸟类的群体行为进行建模与仿真讨论结果的启发。粒子群算法与其他进化类算法一样，也是一类基于群智能的随机优化算法。但与其它进化计算方法相比， PSO 算法具有收敛速度快、设置参数少、程序实现异常简洁、具有深刻的智能背景等特点， 既适合科学讨论，又特别适合工程应用。因此PSO 算法一经提出就引起了国际上相关领域众多学者的关注和讨论。目前 PSO 算法已广泛应用于函数寻优、神经网络训练、模式分类、模糊系统控制以及其它的应用领域。但是，由于 PSO 算法在优化过程中所有粒子都向最优解方向飞去，所以粒子趋向同一化，群体的多样性逐渐丧失，即存在早收敛问题，因而也就难以获得较好的优化结果。为了克服这一缺点，近年来出现了不少改进的 PSO 算法。如：Shi Y.(1998)提出的带惯性权重的 PSO 算法、Angeline P.（1999）提出的杂交粒子群混合 PSO 算法、Clerc M.（1999）提出的带约束因子的 PSO 算法、Suganthan P.(1999)提出的带有领域因子的 PSO算 法 、 Shi Y.(2001) 提 出 的 模 糊 自 适 应 惯 性 权 重 的 PSO 算 法 、Van（2001）提出的协同 PSO 算法、Natsuki（2024）提出的具有高斯变异的 PSO 算法、Sun J.(2024)...
