计算机与现代化JISUANJIYUXIANDAIHUA2023年第3期总第331期文章编号：1006-2475（2023）03-0113-08收稿日期：2022-04-19；修回日期：2022-05-09基金项目：上海市自然科学基金资助项目（19ZR1461500）作者简介：曾依浦（1998—），男，福建漳州人，硕士研究生，研究方向：群智能优化算法，E-mail：2032961@tongji.edu.cn；戴毅茹（1972—），女，河南新蔡人，副研究员，博士，研究方向：系统工程，E-mail：zlydyr@tongji.edu.cn；陈雨田（2001—），男，陕西西安人，本科生，研究方向：微电子，E-mail：1953900@tongji.edu.cn。0引言粒子群优化算法是一种基于社会行为模拟的随机优化方法，其主要思想是初始化一组随机解，通过迭代搜寻优化问题的最优解。粒子群算法由于结构简单、容易实现等优势，被广泛地用于求解最优化问题。与此同时，基础粒子群算法在处理复杂和高维的优化问题时存在搜索能力弱［1-2］、解的分散性不佳［3-4］、收敛速度不稳定［5］、容易陷入局部最优问题［6］。针对上述问题，研究者从多个角度提出了改进方法，其中比较主流的改进方法是通过调整优化粒子群速度更新方程来提高粒子搜索质量。Li等人［7］提出了一种基于局部版本的并行粒子群优化算法，在精度不受影响的前提下显著加快进化速度。为了提高算法收敛速度与简化参数设置，El-Sherbiny［8］提出了一种去除粒子速度项的方法，采用个体最佳位置和种群全局最佳位置之间的随机线性组合更新粒子位置。Mohammadian等人［9］在基础粒子群算法的基础上提出了一种根据迭代次数动态调整惯性权重的方法。张天泽等人［10］结合RMSprop算法对粒子每一个维度进行自适应惯性权重设置。Liu等人［11］采用精英学习策略和联合学习策略提高解决方案的质量。Jian等人［12］提出了一种区域编码方案，将解的表示从一点扩展到一个区域，有助于加快算法收敛速度。众多研究通过设计多种群结构提高算法的全局搜索能力，Wang等人［13］采用主从多子种群分布模式，并提基于反向学习和精英提升的无速度项动态粒子群算法曾依浦，戴毅茹，陈雨田（同济大学电子与信息工程学院，上海201804）摘要：针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入...
