一种带有二维扰动和自适应学习因子的粒子群算法

摘要 针对粒子群算法（Particle Swarm Optimization,PSO）容易陷入局部最优值、后期收敛速度慢和收敛精度低等问题,提出了一种带有二维扰动和自适应学习因子的粒子群算法（TDDALFPSO）.首先,提出了自适应惯性权重和学习因子调节算法调节惯性权重、认知系数和社会系数,提高了全局搜索能力和局部搜索能力；然后提出了基于位置、速度二维扰动更新粒子位置的算法,避免了不在最优值区域的全局历史最优值对搜索的误导,提高了算法的收敛速度和精度；最后通过变异一些适应度值最差的粒子,让它们搜索空间中的其他领域,增加了种群的多样性,改善了算法容易陷入早熟的问题.仿真实验表明和基本PSO算法相比,TDDALFPSO在收敛速度、精度和稳定性上有了明显的提高；并且在大多数优化问题上和基于线性惯性权重递减的PSO算法（PSO-W）、基于综合学习的PSO算法（CLPSO）、基于适应值距离比例的PSO算法、基于三角函数动态参数选择的PSO算法（TPSO）和带正弦函数因子的粒子群优化算法（TFPSO）相比,TDDALFPSO在收敛速度、精度和稳定性上都有一定的优势