为解决反向粒子群优化算法计算开销大、易陷入局部最优的不足，提出一种无惯性的自适应精英变异反向粒子群优化算法（NOPSO）。NOPSO算法在反向学习方法的基础上，广泛获取环境信息，提出一种无惯性的速度（NIV）更新式来引导粒子飞行轨迹，从而有效加快算法的收敛过程。同时，为避免早熟现象的发生，引入了自适应精英变异策略（AEM），该策略在扩大种群搜索范围的同时，帮助粒子跳出局部最优。NIV 与 AEM 这 2种机制的结合，有效增加了种群多样性，平衡了反向粒子群算法中探索与开发的矛盾。实验结果表明，与主流反向粒子群优化算法相比，NOPSO算法无论是在计算精度还是计算开销上均具有较强的竞争能力。
