混合分层自主学习量子粒子群优化算法

针对粒子群优化算法容易陷入局部最优、收敛精度不高以及收敛速度较慢的问题,本文提出一种混合分层自主学习量子粒子群优化算法HHQPSO.首先,根据粒子适应度值和迭代次数将种群动态划分为三个阶层:上、下两层粒子分布较少,分别采用局部学习模型和全局学习模型,以增强粒子多样性;中层粒子分布较多,采用混合自适应量子学习模型.其次,在混合量子模型中提出改进差分策略以更新粒子的随机位置,并引入Levy飞行策略以提高算法的收敛精度和收敛速度.最后,分别在9个典型测试函数上对6种改进粒子群算法进行仿真对比实验.实验结果表明,HHQPSO算法在收敛精度、速度和稳定性上均有着较为明显的优势,特别适用于多峰函数寻优.