針對粒子 群優(yōu)化（PSO）算法容易陷入局部最優(yōu)、收敘精度不高、收斂速度較慢的問題，提出一種基于分層自主學習的改進粒子群優(yōu)化（ HCPSO）算法。首先，根據粒子適應度值和選代次數將種群動態(tài)地劃分為三個不同階層;然后，根據不同階層粒子特性，分別采用局部學習模型標準學習模型以及全局學習模型，增加粒子多樣性，反映出個體差異的認知對算法性能的影響，提高算法的收斂速度和收斂精度;最后，將HCPSO算法與PSO算法、自適應多子群粒子群優(yōu)化（PSO-SMS）算法以及動態(tài)多子群粒子群優(yōu)化（ DMS-PSO）算法分別在6個典型的測試函數上進行對比仿真實驗。仿真結果表明，HCPSO算法的收斂速度和收斂精度相對給出的對比算法均有明顯提升，并且算法執(zhí)行時間和基本PSO算法執(zhí)行時間差距在0.001量級內，在不增加算法復雜度的情況下算法性能更高。

　　群體智能算法是通過觀察動物群體的捕食。遷徙等活動，進行仿真模擬而產生的智能算法，粒子群優(yōu)化（ParticleSwamOptimization， PSO）算法是Kennedy等“在1995年提出的一種基于種群的智能算法。PSO 算法是定義于連續(xù)空間的群智能算法，具有參數較少、原理簡單、并行搜索和全局收斂等優(yōu)點，已經廣泛應用于永磁電機關鍵參數調整、人臉識別、分配優(yōu)化問題等相關領域;但是，PSO算法也存在收斂精度不足搜索速度較慢以及容易早熟收斂等缺點。針對這些問題，研究人員通過引入相關理論改進學習模型、改變參數調整方式、引入學習算子、算法融合以及多子群等方法對基本算法進行改進研究。引入混沌量子理論改進PSO算法理論模型，結合高效局部搜索機制和自適應動態(tài)懲罰方法進行約束處理，提高求解精度，并用之于優(yōu)化問題中。