自适应精英反向学习的粒子群优化算法

摘要 针对标准粒子群优化算法易陷入局部最优、进化后期收敛速度慢和收敛精度低等缺点，提出一种自适应精英反向学习的粒子群优化算法.在迭代过程中，算法判断种群是否陷入局部最优，若陷入局部最优，则随机选择精英粒子的部分维度进行反向学习，且学习的维度空间大小随着进化呈线性递减，以此增强算法在进化前期的探索能力和后期的开发能力.在固定评估次数的情况下，实验对10个常用经典基准测试函数在30维上进行仿真测试，实验结果表明：改进算法在收敛速度、寻优精度和逃离局部最优的能力上明显优于一些知名的改进粒子群优化算法