提升全局最优搜索能力的粒子群优化算法研究

"增强全局最优粒子搜索能力的改进粒子群算法" 本文是关于“增强全局最优粒子搜索能力的改进粒子群算法”的一篇研究论文，发表于2015年的IEEE第12届国际电子测量与仪器会议(ICEMI'2015)。作者团队来自中国电子科技大学自动化工程学院，包括张伟、石义兵、马东和刘国珍。 粒子群优化(PSO)是一种基于群体智能的优化算法，它模拟了鸟群寻找食物的过程来解决复杂的优化问题。然而，PSO在迭代过程中存在一个问题：一旦某个粒子成为全局最优粒子，它的运动多样性会显著减弱，搜索能力也会大幅下降。这一现象限制了PSO的收敛速度和全局搜索性能。 为了解决这个问题，论文提出了一种新颖的改进策略，即通过增强全局最优粒子的搜索能力来提高PSO的收敛速度。具体做法是，增大全局最优粒子的惯性系数，使其比其他粒子具有更大的探索空间，同时调整全局最优粒子的搜索方向，以避免陷入局部最优。这种策略旨在保持全局最优粒子的活力，防止其过早地被锁定在一个可能的解上。 为了验证所提出的改进算法的有效性，研究者使用了四个基准函数进行测试。这些基准函数通常用来评估优化算法的性能，包括多元函数的全局最小值搜索。通过对比分析，结果表明，改进后的粒子群算法在保持搜索效率的同时，能更好地避开局部极小值，提高了全局寻优能力。 这篇论文为粒子群优化算法提供了一个创新的解决方案，增强了全局最优粒子的搜索能力，有望应用于各种需要全局优化的复杂问题，如工程设计、机器学习模型的参数优化等场景。这项工作对于理解和改进群体智能算法，以及提升优化问题的求解效率具有重要意义。