基于距离代价的自适应惯性权重粒子群优化算法

由于不同等级种群的学习能力不一样,其步长大小也会不一样,该文提出了一种新的基于距离代价的自适应惯性权重粒子群优化算法。该算法在运行过程中根据粒子位置的距离代价,将种群分为三个等级,对不同等级的种群采用不同的惯性权重策略更新粒子的速度和位置,并在每次迭代的过程中对全局最优加入一个扰动因子来增加粒子的多样性。通过仿真实验,将该文提出的PSO算法与其他几种粒子群优化算法进行对比,实验结果表明:在相同条件下该算法能以较少的迭代次数得到最优解,同时兼具好的收敛速度和高的收敛精度。