基于K-means聚类的改进粒子群优化算法研究

针对标准粒子群算法在处理复杂高维优化问题时早熟收敛的现象,基于K-means聚类的思想,提出了动态领域种群模型。该模型致力于提高种群多样性,避免寻优时陷入局部极值。在每一次迭代时,利用K-means聚类算法实现粒子领域内信息的交流。将改进算法与标准粒子群算法进行若干测试函数的寻优实验,对比实验结果表明,改进后的粒子群算法具有更稳定的寻优性能,种群多样性始终高于标准粒子群算法,能在更大程度上避免粒子陷入局部极值。