摘要：為改善量子粒子群優(yōu)化（quantum-behaved particle swarm optimization algorithm，QPSO）算法在求解復(fù)雜的多模問題時表現(xiàn)出的收斂精度差和易于陷人局部最優(yōu)的問題，提出了一種基于擬反向?qū)W習(xí)的自適應(yīng)QPSO算法.首先，借鑒擬反向?qū)W習(xí)的思路，對粒子初始位置進行優(yōu)化調(diào)整，增加算法搜索效率，加快收斂速度;其次，在粒子運動幅度的設(shè)置中考慮了種群進化程度和粒子聚集程度，構(gòu)造了具有自適應(yīng)特點的收縮-擴張因子，用于增強算法的局部挖掘和全局搜索能力;然后，將混沌映射的方法引人到越界粒子的處理上，有助于算法逃離局部最優(yōu).接著，基于14個測試函數(shù)將改進算法與8種智能優(yōu)化算法進行對比分析.最后借助2個具體的工程設(shè)計問題進一步檢驗改進算法在實際應(yīng)用中的效果.實驗結(jié)果表明改進算法無論在基準(zhǔn)測試中還是在工程應(yīng)用上，其搜索能力更強，整體性能表現(xiàn)更為均衡.
