基于粒子交互学习策略的PSO算法（IIL-PSO）

IIL-PSO算法思想（单目标）

Interswarm Interactive Learning

①初始化： 将粒子随机分为数量相等的两组，为每组粒子初始化位置， 速度，全局最优粒子、和个体历史最优数组。

②迭代与学习： 计算每组粒子的成为被学习粒子群的概率。成为被学习粒子群中的粒子更新和普通PSO算法一样， 成为学习粒子群中的粒子，不仅需要学习自身和所在粒子群的经验，还需学习被学习粒子群中的经验。 在此基础上，为了防止两个粒子群结果接近，作者提出了速度变异策略和全局最优震动策略。

IILS

（Interswarm Interactive Learning Strategy）

①分出两个粒子群，计算成为被学习粒子群的概率。

T:时间参数（作者称为temperature,时间越长，两个粒子群的概率越接近）

②在学习粒子群中，计算每个粒子的学习概率，不需要学习的粒子利用简单PSO算法更新，需要学习的粒子不仅需要学习自身和所在粒子群的经验，还需学习被学习粒子群中的经验。

Si:粒子编号

N:当前粒子群粒子总数

VMO

（Velocity Mutation Operator）

目的：为了防止两个粒子群的全局最优结果接近，作者使用了速度变异算子。

操作：随机选择一个粒子群，在此粒子群中随机选择一个粒子和该粒子需要变异的维度数量。

GBVS

（Global Best Vibration Strategy）

目的：为了防止PSO陷入局部最优

由于Gbest已经有良好的适应度的值，因此在这里只需要对一个维度进行修改

流程图

原文