结合引力测度和质心变异策略的混合粒子群优化算法

针对经典粒子群优化(PSO)算法在算法前期易陷入局部极值、后期收敛精度低的问题,提出一种结合引力测度和质心变异策略的混合粒子群优化算法(GMCMPSO).首先,在算法初始阶段采用精英分组策略,以方便获取种群的优秀信息;其次,对两个子群采用引力测度策略,以达到种群间信息的高效共享;最后,在引力测度的引导下对一部分普通粒子进行随机变异、对剩余的普通粒子进行质心变异,以使得算法能够有效跳出局部极值和开发最具潜力的区域,并提高算法的收敛精度.将所提出的算法和经典粒子群优化(PSO)算法、萤火虫和粒子群的混合优化(HFPSO)算法、基于分层自主学习的改进粒子群优化(HCPSO)算法、适应度依赖优化(FDO)算法共5个算法在16个标准测试函数上进行了比较,各项实验结果表明,GMCMPSO在高维多峰函数上对比其他4个算法有更高的收敛精度和更快的收敛速度.