大地測(cè)量研究中存在諸多最優(yōu)化問題。粒子群算法是一種基于種群的搜索隨機(jī)優(yōu)化方法，用于求解單/多目標(biāo)問題的最優(yōu)解。由于具有較強(qiáng)的魯棒性、收斂速度快、可調(diào)參數(shù)少等優(yōu)點(diǎn)，粒子群算法近年來受到不同領(lǐng)域研究人員的關(guān)注。但現(xiàn)有粒子群優(yōu)化算法存在種群多樣性不足、早熟收斂且易陷入局部最優(yōu)等缺陷，當(dāng)優(yōu)化問題具有大量局部最優(yōu)值或維數(shù)較高且不可分離時(shí)，解算效果較差。

　　近日，中國科學(xué)院精密測(cè)量科學(xué)與技術(shù)創(chuàng)新研究院大地測(cè)量新技術(shù)應(yīng)用課題組在群智能優(yōu)化中的粒子群優(yōu)化算法研究中取得進(jìn)展。該研究首先提出將整體種群劃分為兩個(gè)異構(gòu)子群（綜合學(xué)習(xí)策略子群體和動(dòng)態(tài)多種群子群體），其中綜合學(xué)習(xí)策略子群體主要負(fù)責(zé)開發(fā)，動(dòng)態(tài)多種群子群體主要負(fù)責(zé)探索；其次，對(duì)動(dòng)態(tài)多種群子群體的搜索能力進(jìn)行分類，并根據(jù)該分類結(jié)果構(gòu)建一種新的自適應(yīng)非線性遞減慣性權(quán)重；最后，引入兩種變異算子（非均勻變異和高斯變異）提升算法的局部尋優(yōu)能力。

　　研究團(tuán)隊(duì)通過兩個(gè)國際標(biāo)準(zhǔn)優(yōu)化問題測(cè)試集（CEC2005和CEC2017）以及一個(gè)實(shí)際的無線傳感器網(wǎng)絡(luò)覆蓋優(yōu)化應(yīng)用問題，對(duì)所提HCLDMS-PSO算法的性能進(jìn)行評(píng)估，并與國際上現(xiàn)有的8種先進(jìn)粒子群算法變體和其它11種群智能優(yōu)化算法進(jìn)行對(duì)比。結(jié)果表明，新算法在大部分優(yōu)化問題上均有效提高了收斂速度、尋優(yōu)精度和可靠性。該智能優(yōu)化算法有望在移動(dòng)5G定位、智能駕駛、圖像匹配定位等領(lǐng)域應(yīng)用。

　　相關(guān)成果以Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators為題，發(fā)表在Information Science上。論文第一作者為博士研究生王生亮，通訊作者為研究員劉根友。研究工作得到國家重點(diǎn)研發(fā)計(jì)劃、國家自然科學(xué)基金項(xiàng)目的聯(lián)合資助。

　　論文鏈接 

　　 

　　HCLDMS-PSO算法的整體思路框架圖 

　　 

　　HCLDMS-PSO算法具體執(zhí)行步驟的過程圖示