关于粒子群优化算法陷入局部最优解的问题好的改进方法！(python)

Question

针对粒子群优化算法陷入局部最优解的问题有什么好的改进方法吗？

Answer 1

大概常用的有以下几种策略

1.  在算法中实时调节改变惯性权重和学习因子等参数，例如可以在开始时增大权重，以提高全局搜索能力，
也可以根据粒子的收敛度和集中度对参数进行改变。

2.  在算法中引入随机因子或者突变因子，增大粒子的随机性，提升最优解的质量。

3.  自适应性PSO算法，引入了压缩因子χ来平衡PSO算法全局搜索与局部搜索之间的矛盾

4.  采用雁群PSO算法，把所有粒子按照最优个体适应度值进行排序，并利用排序后每个粒子前面那个
较优粒子的个体极值取代每个粒子(第一个粒子除外)的全局最优值，这样可以让粒子群体不止向一个
最优解的方向趋近，避免发生粒子的同一化，使得粒子的多样性得以保持，这在一定程度上降低了算法陷入局部最优的风险

5.  利用混沌进行PSO的初始化，能扩大粒子的搜索范围，大大增加粒子的多样性，
以当前粒子群搜索到的最优值为基础映射生成混沌序列，然后将通过混沌逆映射后
获得的最优粒子的位置随机替换当前粒子群中的一个粒子位置，以此让算法摆脱局部最优

6.  在PSO的基础上引入遗传算法，对粒子进行交叉变异等操作