粒子群优化算法中的评价策略缺陷及对策

粒子群优化算法在每个粒子更新的过程中，虽然粒子找到了适应度更好的位置，但是其中一部分维度仍在退化，即不是所有维度都在进化。这种现象被称为“两进一退”。“两进一退”中的“退化”不是为了保持种群的多样性而被允许的退化，而是一种不期望的现象：其使得一些维度被误认为是粒子的历史最优维度，而影响历史最优位置的质量并误导群体的进一步进化。

除了“两进一退”现象外，原评价策略还会导致这样的现象：虽然粒子没有找到适应度更好的位置，但是其中一部分维度仍在进化，即并不是所有维度都在退化。这种现象被称为“两退一进”，它会使粒子在运动过程中“放弃”一些可进化之处，同样是一种不期望的现象。

“两进一退”和“两退一进”现象存在的原因是PSO一味地把整个位置矢量作为评价对象，只在意位置适量的每一次更新中的始末状态，而没有深入更新过程内部去注重位置矢量各维的变化。

这两种不期望的现象在高维多极值优化问题时严重地制约着智能算法的性能。为了克服这一缺点，采用对位置矢量的每维的每次更新都进行评价的策略，以对每维的变化提供一种更为频繁的反馈。操作其实类似于交叉操作，只是这里的交叉操作针对每一个维度进行，如果某一维度得到进化，则立即更新粒子的历史最优，下一维度的交叉可以迅速得到这一维度有利更新的反馈。

经过新的评价策略，即对各粒子的位置矢量逐维进行评价，这种新的评价策略使粒子向目标最优位置“稳步前进”并能很好地解决对高维多极值问题的早熟。