随机惯性权重简化粒子群优化算法的性能提升

"这篇论文提出了一种基于随机惯性权重的简化粒子群优化算法，旨在解决标准粒子群优化算法早熟收敛、搜索速度慢和寻优精度低的问题。该算法通过去除速度项实现粒子群的简化，利用随机分布的惯性权重增强局部和全局搜索性能，同时采用异步变化的学习因子提升粒子的学习能力。个体极值被替换为所有粒子平均值，以考虑个体间的影响。实验证明，新算法在搜索速度、收敛精度和鲁棒性上都有显著提升，并能避免陷入局部最优解。" 粒子群优化算法（PSO）是一种模仿鸟群觅食行为的全局优化方法，由多粒子构成的群体在解空间中进行搜索，每个粒子代表可能的解决方案，其运动由速度决定。在标准PSO中，粒子的速度和位置会根据自身最优位置（个人极值）和全局最优位置（全局极值）进行更新。然而，标准PSO存在早熟收敛问题，即过早停止在局部最优解，导致搜索性能下降。 论文提出的简化粒子群优化算法对标准PSO进行了改进。首先，它去除了速度项，使得算法结构更简单，减少了不必要的计算复杂性。其次，引入随机惯性权重，惯性权重在每次迭代时随机分布，这样可以在保持全局探索能力的同时增强局部搜索，有效防止早熟收敛。此外，学习因子采用异步变化策略，不同粒子的学习因子可以在不同时间调整，增强了算法的适应性和多样性。 论文还考虑了粒子间的相互影响。在更新个人极值时，不再仅依赖单个粒子的历史最佳位置，而是采用所有粒子个体极值的平均值，这种做法可以更好地反映整个种群的信息，有助于跳出局部最优。 通过一系列典型测试函数的仿真和F-检验，新算法在多项性能指标上优于传统改进算法，包括更快的搜索速度、更高的收敛精度和更强的鲁棒性。这些优势表明，基于随机惯性权重的简化粒子群优化算法能够有效地避免陷入局部最优，提高优化问题的求解质量。 关键词：粒子群优化、简化粒子群、惯性权重、学习因子、随机分布、异步变化 这篇研究对于理解和改进优化算法具有重要意义，特别是对于那些需要高效全局优化的复杂问题，如工程设计、机器学习模型参数调优等领域，这种新算法提供了一种有潜力的解决方案。