多级扰动混合粒子群优化算法提升全局搜索性能

本文探讨了一种名为"引入多级扰动的混合型粒子群优化算法"的研究论文，发表在《软件学报》上，ISSN号为1000-9825，CODEN为RUXUEW。作者徐利锋、黄祖胜、杨中柱和丁维龙来自浙江工业大学计算机科学与技术学院，丁维龙作为通讯作者。他们针对粒子群优化算法(Particle Swarm Optimization, PSO)容易陷入局部最优值的问题提出了创新性的解决方案。 标准PSO和带收缩因子的PSO是两种经典的改进算法，但它们各自存在局限性。新算法在原有基础上进行了扩展，引入了多级扰动机制。首先，一级扰动在粒子位置更新过程中发挥作用，增强了粒子对解空间的探索能力，提高了全局搜索的效率。当优化过程出现陷入局部最优的情况时，算法会触发二级扰动，促使粒子跳出当前的局部最优区域，继续搜索可能的全局最优解。 为了验证算法的有效性，研究者使用了六种常见的测试函数，包括Sphere函数、Ackley函数、Rastrigin函数、Styblinski-Tang函数、Duadric函数以及Rosenbrock函数，进行仿真运算和对比实验。结果显示，新的混合型PSO算法在收敛精度和速度上表现优于传统的两种改进PSO算法。特别是对于具有多个峰值的复杂函数，它表现出更好的抗局部最优特性，能有效地避免陷入局部最优区域，提高了优化问题的全局求解能力。 该论文的关键词包括粒子群优化算法、混合策略、多级扰动、局部最优值和搜索遍历能力。根据中图法分类，该研究属于TP301类别。引用格式提供了中文和英文两种版本，方便读者查阅。这项工作对于提升粒子群优化算法的性能和应用范围具有重要的理论价值和实践意义。