采用分等级学习策略的二进制粒子群优化算法.pdf

二进制粒子群优化算法（BPSO）是一种用于解决离散优化问题的智能计算方法，由Kennedy和Eberhart在1997年提出。它基于粒子群优化算法（PSO）的基本原理，但针对的是非连续的离散搜索空间。然而，BPSO在搜索过程中容易陷入局部最优解，导致收敛精度低和多样性丧失。为了解决这些问题，研究者们已经尝试了多种改进策略，如参数优化、种群优化、混合优化、变异算子、速度更新以及映射函数等。 本文提出的分等级学习策略的二进制粒子群优化算法（HLBPSO）是一种新颖的改进方法。该算法受到鸡群优化算法中等级思想的启发，将粒子种群根据适应度值分为优势、中间和劣势三个等级。不同等级的粒子采取不同的学习策略：优势等级的粒子倾向于探索新的解决方案，中间等级的粒子则参与全局最优解的寻找，而劣势等级的粒子不仅向优势和中间等级的最优粒子学习，还引入了逃逸算子，使得劣势粒子有一定的概率跳出当前局部区域，增加搜索的多样性。 逃逸算子的设计是HLBPSO的关键创新点之一。当劣势粒子学习优势和中间等级最优粒子的差分向量时，逃逸算子赋予其一定的随机性，以避免过分依赖当前的局部最优解。这一机制有助于打破算法的早熟收敛，促进全局搜索能力的提升。 此外，HLBPSO还采用了自适应惯性权重更新策略。惯性权重在PSO中扮演着平衡局部探索和全局搜索的角色。通过计算粒子与全局最优粒子之间的距离来动态调整惯性权重，可以更好地控制算法在搜索过程中的探索与开发行为，进一步优化算法的性能。 实验结果表明，HLBPSO算法在寻优精度和鲁棒性方面表现出优于传统BPSO和其他优化算法的性能。这表明分等级学习策略有效地解决了BPSO在后期优化中的多样性损失问题，提高了算法的收敛精度。 总结来说，HLBPSO算法通过引入等级学习策略和逃逸算子，为解决二进制粒子群优化算法的局限性提供了一种有效途径。这种策略不仅增加了算法的探索能力，还通过自适应惯性权重调整保持了算法的全局搜索能力，从而在实际应用中具有较高的潜力和价值。