论文部分内容阅读
针对粒子群算法在求解复杂的多维多峰问题时，存在着局部搜索精度不高和易陷入局部最优等不足，提出了一种基于平均位置学习的改进粒子群算法。该算法在学习策略上采用比粒子自身适应值更好的邻近粒子为学习对象，将该算法分两个阶段用不同更新速度公式，阶段一在更新速度公式中引入整个种群所有粒子位置的平均位置；阶段二在速度更新公式中引入新平均位置，采用贪心策略选择，通过粒子每次更新后选择的个体比种群历史最优适应值更优，且储存对应个体历史最优位置，在阶段一结束后开始求它们的平均位置。将平均位置作为学习对象，可增强粒子间的信息交流，同时可平衡算法的局部开发性能与全局搜索能力。在CEC2017测试函数实验中，实验结果显示所提改进算法与另外4个算法相比有一定的优势。