基于蚁群的自适应惯性权重PSO算法：性能提升与应用实例

本文主要探讨了"基于蚁群系统的参数自适应粒子群算法及其应用"这一主题，发表于2010年的《控制理论与应用》期刊第27卷第11期。作者杨帆、胡春平和颜学峰针对粒子群算法中惯性权重自适应问题提出了创新性的解决方案——AS-PSO（Ant System-based Particle Swarm Optimization）。传统粒子群算法中的惯性权重通常是固定的，这可能导致搜索效率下降。AS-PSO的核心思想是将惯性权重取值区间离散化，并赋予各个子区间初始等量的信息素。 算法的工作流程包括以下步骤：首先，将惯性权重划分为多个子区间，每个子区间初始时拥有相同的“信息素”浓度。接着，粒子群中的每个个体在搜索过程中，依据当前所在子区间的信息素浓度以及它们在搜索空间中的分布特性，动态地选择不同的惯性权重，这使得搜索策略更加灵活，有助于粒子探索未知区域。信息素浓度的更新基于粒子的进化信息，即粒子的性能表现，从而实现自适应调整。 通过仿真研究，AS-PSO展示了显著的优势。它不仅能在种群进化的过程中优化问题，还能根据种群的进化动态自动调整惯性权重参数，无需频繁调用测试函数，从而节省计算资源。与传统的自适应粒子群算法和仅依赖速度信息调整参数的算法相比，AS-PSO在寻优性能上更胜一筹。 该算法的实际应用被扩展到了复杂系统模型参数的优化估计，结果显示能够得到令人满意的优化结果。AS-PSO算法通过对粒子群算法的改进，实现了参数的自适应调整，提升了优化效果，对于解决实际工程问题具有重要的理论价值和实践意义。该论文的研究成果为优化求解问题提供了新的视角和方法，对于提升计算智能算法在工程领域的应用具有重要意义。