針對(duì)粒子群優(yōu)化（PSO）算法存在的開(kāi)發(fā)能力不足，導(dǎo)致算法精度不高、收斂速度慢以及微分進(jìn)化算法具有的探索能力偏弱，易陷入局部極值的問(wèn)題，提出一種基于模糊高斯學(xué)習(xí)策略的粒子群一進(jìn)化融合算法。在標(biāo)準(zhǔn)粒子群算法的基礎(chǔ)上，選取精英粒子種群，運(yùn)用變異、交叉、選擇進(jìn)化算子，構(gòu)建精英粒子群一進(jìn)化融合優(yōu)化機(jī)制，提高粒子種群多樣性與收斂性；引入符合人類(lèi)思維特性的模糊高斯學(xué)習(xí)策略，提高粒子尋優(yōu)能力，形成基于模糊高斯學(xué)習(xí)策略的精英粒子群和微分進(jìn)化融合算法。對(duì)9個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)進(jìn)行了計(jì)算測(cè)試和對(duì)比分析，結(jié)果表明函數(shù)Schwefel.1.2、Sphere、Ackley.Griewank與Quadric Noise計(jì)算平均值分別為1.5E - 39、8.5E - 82、9.2E - 13、5.2E - 17、1.2E - 18，接近算法最小值；Rosenbrock、Rastrigin、Schwefel及Salomon函數(shù)收斂平均值較四種對(duì)比粒子群優(yōu)化算法計(jì)算結(jié)果提高了1-3個(gè)數(shù)量級(jí)；同時(shí)，收斂性顯示算法收斂速度較對(duì)比算法提高了5%- 30%。算法在提高計(jì)算收斂速度和精度上效果明顯，具有較強(qiáng)的逃離局部極值的能力和全局搜索能力。
?