文档介绍：Computer Engineering and Applications 计算机工程与应用 2022，58（8） 67
⦾理论与研发⦾
总结性自适应变异的粒子群算法
陈博文，邹 海; inertia weight; reverse search; self-conclusion of variation
粒子群优化算法（particle swarm optimization，PSO） 代过程中对全局和局部的搜索能力，来优化整个收敛过
作为进化计算的一个分支，是由 Eberhart 和 Kennedy 等[1] 程。Shi 和 Eberhart[7-8]分析了惯性权重对粒子搜索能力
于 1995 年提出的一种全局搜索算法，通过模拟动物在 的影响，在粒子的寻优过程中，惯性权重随着迭代次数
群体活动中所表现出来的信息共享特性完成对目标问 来线性递减，在保证广度和精度的基础上提高了算法的
题的求解。相关的群智能算法应用广泛，如文献[2]中 收敛性。Ao 等[9]提出的自适应惯性权重的改进粒子群
通过改进蚁群算法解决旅行商问题，文献[3]中使用果 算法，将适应度值较差的粒子的惯性权重因子置零，充
蝇优化算法解决图像分割问题。PSO 最早是用来优化 分发挥全局最优的指向性，提高了算法的收敛性。郭巳
神经网络的网络连接权重的，现已涉及多目标优化[4]、信 秋等[10]通过控制粒子群的数量来验证惯性权重对整个
号控制[5]、资源调度[6]等各个领域。 算法收敛的影响。周蓉等[11]提出的基于灰狼优化的反
需要合理地对 PSO 的参数进行配置，平衡算法在迭 向学****粒子群算法中，引入余弦函数和贝塔分布来控制
基金项目：国家自然科学基金（61374128）。
作者简介：陈博文（1997—），男，硕士，研究方向为智能算法优化，E-mail：******@；邹海（1969—），男，副教授，研究方
向为智能计算、深度学****数据挖掘。
收稿日期：2021-05-12 修回日期：2021-06-28 文章编号：1002-8331（2022）08-0067-0968 2022，58（8） Computer Engineering and Applications 计算机工程与应用
惯性权重的非线性变化，再次提高了算法的搜索效率。 期，惯性权重取最大值并逐渐下降，便于提升粒子的全
目前，不同的改进策略对粒子群算法在求解问题时