基于灰狼优化的反向学习粒子群算法

来源：计算机工程与应用杂志2020年第7期北京时间：

作者：周蓉，李俊，王浩

单位：1.武汉科技大学 计算机科学与技术学院，武汉 430065；2.智能信息处理与实时工业系统湖北省重点实验室，武汉 430065

摘要：针对粒子群算法（PSO）易早熟收敛、逃离局部最优能力差、精度低等缺点，提出一种基于灰狼优化的反向学习粒子群算法。该算法对最优粒子采用反向学习策略产生反向解，扩大种群的搜索范围，增强了算法的全局搜索能力；对其非最优粒子采用新型社会学习方式，提高其搜索效率和开采性能；同时，针对PSO收敛精度较低的问题，引入灰狼优化算法，并对其收敛因子产生扰动，平衡算法全局和局部搜索性能并提高其精度。在CEC2017测试函数上进行仿真实验，结果表明，在相同的实验条件下，改进后的粒子群算法在收敛精度和收敛速度上有显著提升，且其性能明显优于标准粒子群算法。

关键词：粒子群算法,反向学习,灰狼优化算法,贝塔分布