摘要：针对粒子群算法逃离局部最优能力差、易早熟收敛、求解精度低等缺点,提出了一种具有多尺度选择性学习和探测-收缩机制的PSO算法.在多尺度选择性学习机制中,粒子根据其自身进化状态在拓扑结构、邻居个体、目标变量维等多个尺度上进行选择性学习,提升粒子个体的学习效率;在探测-收缩机制中,算法利用历史信息指导种群最优解进行探测,提高其逃离局部最优的能力,当判断种群历史最优解处于全局最优解附近时,执行空间收缩策略,将种群的搜索空间限定在较小的一个区域,增强算法的开采能力,提高算法的求解精度.通过和其它PSO算法在22个典型测试函数的实验对比表明,本算法能有效克服早熟收敛、加快收敛速度、提高求解精度.

关键词：粒子群算法 早熟收敛 多尺度学习 探测策略 

单位：华东交通大学软件学院; 江西南昌330013; 华东交通大学智能优化与信息处理研究所; 江西南昌330013; 华东交通大学经济管理学院; 江西南昌330013; 湖北经济学院信息管理学院; 湖北武汉430205