摘要：为了提高粒子群优化算法搜索最优解的效率,该文提出多策略自适应粒子群优化（MAPSO）算法.通过构建多样性测试方式评价种群的分布性.粒子的进化状态分别为勘探或开发状态,通过执行实时交替策略,确定粒子的进化状态.在迭代优化时,根据粒子的多样性动态地控制惯性系数.基于所构建的多样性测试方式,通过融入精英学习策略进一步改善种群多样性,以阻止种群陷入局部解.实验结果表明,与自适应性粒子群优化（APSO）、综合性学习粒子群优化（CPSO）、振荡粒子群优化（PPSO）算法相比,MAPSO算法能够持续地改善PSO跳出局部最优解的能力,其可靠性和成功率均优于其它算法,并能有效改善搜索性能和收敛速度.
分类：期刊> 自然科学与工程技术> 工程科技II> 综合科技B类综合
收录：北大期刊(中国人文社会科学期刊) > CSCD 中国科学引文数据库来源期刊(含扩展版) > 统计源期刊(中国科技论文优秀期刊) > 知网收录(中) > 维普收录(中) > 万方收录(中) > CA 化学文摘(美) > SA 科学文摘(英) > JST 日本科学技术振兴机构数据库(日) > Pж(AJ) 文摘杂志(俄) > 哥白尼索引(波兰) > 国家图书馆馆藏 > 上海图书馆馆藏 > 文摘与引文数据库
关键词：粒子群优化 多样性测试 实时交替策略 精英学习策略 种群多样性
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
