【智能优化算法】偏向窃听粒子群优化算法BEPSO附Matlab论文复现

原创于 2025-09-30 21:32:08 发布 · 729 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #matlab #开发语言

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在智能优化领域，粒子群优化（PSO）算法因原理简洁、收敛快速的优势，广泛应用于函数优化、工程设计、路径规划等场景。但传统 PSO 存在后期收敛速度放缓、易陷入局部最优的固有缺陷 —— 当粒子群体趋近全局最优解时，个体多样性急剧下降，粒子易 “扎堆” 在局部最优区域，难以跳出并探索更优解。为破解这一难题，研究者在传统 PSO 基础上提出 “偏向窃听” 机制，形成偏向窃听粒子群优化算法（Biased Eavesdropping Particle Swarm Optimization, BEPSO）。该算法通过模拟 “个体有偏向性地窃取群体中优质粒子的信息”，在维持群体多样性的同时加速收敛，成为 2025 年智能优化领域的热门改进算法。本文将系统梳理 BEPSO 的核心原理、改进创新、性能验证及工程应用，为算法落地提供完整技术指南。

一、BEPSO 的核心改进：从 “盲目学习” 到 “偏向窃听”

要理解 BEPSO 的优势，需先明确传统 PSO 的局限性，以及 “偏向窃听” 机制如何针对性解决这些问题。传统 PSO 中，粒子仅通过 “学习个体最优（pbest）” 和 “全局最优（gbest）” 更新速度与位置，这种 “两点学习” 模式在算法后期易导致信息单一化；而 BEPSO 引入 “窃听池” 与 “偏向权重”，让粒子有选择地学习群体中更多优质个体的信息，实现 “多源信息融合” 与 “定向探索” 的平衡。

本研究提出一种新型仿生异构粒子群优化（PSO）算法，命名为偏向窃听粒子群优化（BEPSO）算法。BEPSO 算法的核心搜索行为灵感来源于自然界中观察到的窃听行为，并融入认知偏向机制，使粒子能够自主控制协作决策过程。

该算法将粒子群体划分为两个独立的竞争群体，共同参与资源搜索。粒子将同群体成员识别为 “同种个体”，将另一群体成员识别为 “异种个体”。当某一粒子发现更优位置时，会释放 “接触信号”，吸引周围的同种个体向该新发现的位置聚集。

在自然界中，生活在同一环境中的不同物种，常会窃听原本并非针对自身的接触信号。这种行为能帮助它们以更低的能量消耗搜索资源，并可能提升自身的生存适应度。本研究中，周围的异种粒子同样会窃听并利用原本针对其他同种粒子的信号 —— 这种 “信号发送者 - 接收者” 的交互体验，会随着时间推移在粒子间形成正向或负向偏向；而粒子最终形成的认知偏向，将作为其利用信号信息的决策依据。

为验证所提算法的性能，研究在 CEC'17 和 CEC'05 基准测试集上，针对 30 维与 50 维问题设计了三组独立实验，并将实验结果与 12 种基准元启发式算法及 12 种先进 PSO 变体算法的结果进行对比。结果表明，在所有实验场景中，所提 BEPSO 算法的性能均优于这 24 种对比算法。

⛳️ 运行结果

📣 部分代码

% This function initialize the first population of search agents

function Positions=initialization(SearchAgents_no,dim,ub,lb)

Boundary_no= size(ub,2); % numnber of boundaries

% If the boundaries of all variables are equal and user enter a signle

% number for both ub and lb

if Boundary_no==1

Positions=rand(SearchAgents_no,dim).*(ub-lb)+lb;

end

% If each variable has a different lb and ub

if Boundary_no>1

for i=1:dim

ub_i=ub(i);

lb_i=lb(i);

Positions(:,i)=rand(SearchAgents_no,1).*(ub_i-lb_i)+lb_i;

end

🔗 参考文献

F. T. Varna and P. Husbands, "Biased Eavesdropping Particles: A Novel Bio-inspired Heterogeneous Particle Swarm Optimisation Algorithm," 2021 IEEE Symposium Series on Computational Intelligence (SSCI), Orlando, FL, USA, 2021, pp. 1-8, doi: 10.1109/SSCI50451.2021.9660113.