采用高斯混沌变异对粒子群算法的改进（G-PSO）

资 源 简 介

采用高斯混沌变异对粒子群算法的改进（G-PSO）

详 情 说 明

高斯混沌变异改进粒子群算法（G-PSO）是针对传统PSO算法易陷入局部最优问题提出的创新方法。该方法的核心思想是在迭代过程中引入基于高斯分布和混沌理论的变异机制，通过可控的随机扰动增强种群多样性。

算法改进主要体现在三个关键环节：首先利用混沌序列的遍历性特征生成变异系数，使得粒子能在解空间更均匀地探索；其次采用高斯分布对粒子速度项进行扰动，这种服从正态分布的微调既能维持算法稳定性，又避免过度随机导致的震荡；最后通过自适应变异概率机制，在算法前期保持较高变异强度促进全局搜索，后期逐步降低以保证收敛精度。

大量实验表明，G-PSO在解决高维复杂优化问题时，相比标准PSO具有更快的收敛速度和更强的跳出局部最优能力。特别是在多峰函数优化和动态环境适应场景下，其性能优势更为显著。该改进策略为智能优化算法设计提供了新的思路——通过引入受控的混沌特性来平衡探索与开发的矛盾。