资 源 简 介
针对粒子 群优化（PSO）算法容易陷入局部最优、收敘精度不高、收敛速度较慢的问题，提出一种基于分层自主学习的改进粒子群优化（ HCPSO）算法。首先，根据粒子适应度值和选代次数将种群动态地划分为三个不同阶层;然后，根据不同阶层粒子特性，分别采用局部学习模型标准学习模型以及全局学习模型，增加粒子多样性，反映出个体差异的认知对算法性能的影响，提高算法的收敛速度和收敛精度;最后，将HCPSO算法与PSO算法、自适应多子群粒子群优化（PSO-SMS）算法以及动态多子群粒子群优化（ DMS-PSO）算法分别在6个典型的测试函数上进行对比仿真实验。仿真结果表明，HCPSO算法的收敛速度和收敛精度相对给出的对比算法均有明显提升，并且算法执行时间和基本PSO算法执行时间差距在0.001量级内，在不增加算法复杂度的情况下算法性能更高。
群体智能算法是通过观察动物群体的捕食。迁徙等活动，进行仿真模拟而产生的智能算法，粒子群优化（ParticleSwamOpTImizaTIon， PSO）算法是Kennedy等“在1995年提出的一种基于种群的智能算法。PSO 算法是定义于连续空间的群智能算法，具有参数较少、原理简单、并行搜索和全局收敛等优点，已经广泛应用于永磁电机关键参数调整、人脸识别、分配优化问题等相关领域;但是，PSO算法也存在收敛精度不足搜索速度较慢以及容易早熟收敛等缺点。针对这些问题，研究人员通过引入相关理论改进学习模型、改变参数调整方式、引入学习算子、算法融合以及多子群等方法对基本算法进行改进研究。引入混沌量子理论改进PSO算法理论模型，结合高效局部搜索机制和自适应动态惩罚方法进行约束处理，提高求解精度，并用之于优化问题中。
