基于多策略协同作用的粒子群优化MSPSO算法

　　针对粒子群优化（PSO）算法容易早熟收敛、在进化后期收敛精度低的缺点，提出了一种基于多策略协同作用的粒子群优化（ MSPSO）算法。首先，设定一个概率阈值为0.3，在粒子迭代过程中，如果随机生成的概率值小于阈值，则采用对当前种群中的最优个体进行反向学习并生成其反向解，以提高算法的收敛速度和收敛精度；否则，算法执行对粒子的位置进行高斯变异策略，以增强种群的多样性；其次，提出一种将柯西分布的比例参数进行线性递减的柯西变异策略，能够产生更好的解引导粒子向最优解空间运动；最后，在8个标准测试函数上进行仿真测试，MSPSO算法在Rosenbrock、Schwefel‘s P2. 22、Rotated Ackley、Quadric Noise、Ackley函数上收敛的平均值分别为1.68E+ 01、2.36E -283、8.88E -16、2.78E - 05、8.88E - 16，在Sphere、G riewank和Rastrigin函数上收敛达到最优解0，优于高斯扰动粒子群优化（ GDPSO）算法、基于柯西变异的反向学习粒子群优化（GOPSO）算法。结果表明，所提出的算法收敛精度高，能避免粒子陷入局部最优。