第一步：算法参数初始化。设定种群规模m、混沌序列个数d、种群最大迭代次数Kmax、飞行加速度c1及c2、惯性因子w、常量e、常量s、粒子能量上限eIni、粒子能量下限eFin以及粒子相似度上限sIni和粒子相似度下限sFin。
第二步：种群初始化。根据Logistic映射式（5.3），在各时段水位允许范围内，随机初始化粒子种群个体位置（zi1，zi2，…，zin）以及粒子飞行速度（vi1，vi2，…，vin）。其中，粒子位置元素为水位，飞行速度元素为水位涨落速度。
第三步：计算粒子适应度、粒子个体最优解以及种群全局最优解。粒子适应度与其个体最优解比较，若粒子适应度比其个体最优解更优，则当前粒子位置作为个体最优位置；粒子适应度与种群全局最优解比较，若粒子适应度比种群全局最优解更优，则当前粒子位置作为种群全局最优位置。
第四步：计算粒子能量以及粒子能量阈值。若粒子能量低于当前粒子能量阈值，对粒子当前位置与速度执行变异操作。
第五步：计算粒子相似度以及粒子相似度阈值。若两相邻粒子相似度小于当前粒子相似度阈值，则对较差粒子的历史最优位置执行变异操作。
第六步：引入基于邻域的贪婪随机搜索策略对粒子的个体最优位置进行更新。若在邻域搜索到的当前位置比搜索前粒子适应度更大，则代替搜索前粒子个体位置，再用搜索后粒子个体位置与粒子历史最优位置以及种群全局最优位置作比较，更新粒子历史最优位置以及种群最优位置。(www.xing528.com)
第七步：更新粒子种群。根据式（5.1）、式（5.2）更新粒子的速度和位置。
第八步：判断迭代是否结束。若当前迭代次数小于最大迭代次数，返回第三步；否则退出迭代，输出结果。
自适应混合粒子群算法流程如图5.3所示。
图5.3 自适应混合粒子群算法流程图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
