【儀表網 儀表研發】大地測量研究中存在諸多問題。粒子群算法是一種基于種群的搜索隨機優化方法，用于求解單/多目標問題的優解。由于具有較強的魯棒性、收斂速度快、可調參數少等優點，粒子群算法近年來受到不同領域研究人員的關注。但現有粒子群優化算法存在種群多樣性不足、早熟收斂且易陷入局部優等缺陷，當優化問題具有大量局部優值或維數較高且不可分離時，解算效果較差。
 

　　近日，中國科學院精密測量科學與技術創新研究院大地測量新技術應用課題組在群智能優化中的粒子群優化算法研究中取得進展。該研究首先提出將整體種群劃分為兩個異構子群(綜合學習策略子群體和動態多種群子群體)，其中綜合學習策略子群體主要負責開發，動態多種群子群體主要負責探索；其次，對動態多種群子群體的搜索能力進行分類，并根據該分類結果構建一種新的自適應非線性遞減慣性權重；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能力。
 

　　研究團隊通過兩個國際標準優化問題測試集(CEC2005和CEC2017)以及一個實際的無線傳感器網絡覆蓋優化應用問題，對所提HCLDMS-PSO算法的性能進行評估，并與國際上現有的8種先進粒子群算法變體和其它11種群智能優化算法進行對比。結果表明，新算法在大部分優化問題上均有效提高了收斂速度、尋優精度和可靠性。該智能優化算法有望在移動5G定位、智能駕駛、圖像匹配定位等領域應用。
 

　　相關成果以Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators為題，發表在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研發計劃、國家自然科學基金項目的聯合資助。