混合聚类粒子群优化（Hybrid Cluster Particle Swarm Optimization, HCPSO）

本文作者：天疆说
参编单位：哈尔滨工业大学航天学院、微小型航天器快速设计与智能集群全国重点实验室
参考文献：关宇同等. 面向航天器远距离协同交会的超参数自主调优-同伦方法[J]. 航天器环境工程, 2026.

定义

混合聚类粒子群优化（Hybrid Cluster Particle Swarm Optimization, HCPSO）是一种改进的粒子群优化算法，通过引入聚类机制和双策略更新策略提高全局搜索能力。HCPSO 将粒子群分为多个子种群，每个子种群独立搜索并在一定条件下共享信息，有效避免了标准 PSO 容易陷入局部最优的问题。

核心原理

双策略速度更新

HCPSO 维护两组速度更新策略：

策略一（基于全局最优）：

v'(\Gamma+1) = \omega_1 v(\Gamma) + c_{11}\Lambda_1(p(\Gamma) - \sigma(\Gamma)) + c_{12}\Lambda_2(p_g(\Gamma) - \sigma(\Gamma))

策略二（基于子种群最优）：

v''(\Gamma+1) = \omega_2 v(\Gamma) + c_{21}\Lambda_1(p(\Gamma) - \sigma(\Gamma)) + c_{22}\Lambda_2(p_1(\Gamma) - \sigma(\Gamma))

融合更新：

v(\Gamma+1) = \mu_q v'(\Gamma+1) + (1-\mu_q)v''(\Gamma+1)

选择概率机制

根据选择概率 $p_s$ 在两种策略间切换：

v(\Gamma+1) = \begin{cases} v'(\Gamma+1), & \text{rand} < p_s \\ v''(\Gamma+1), & \text{rand} \geq p_s \end{cases}

在轨道优化中的应用

在航天器协同交会问题中，HCPSO 被用于求解能量最优问题的初始协态。与标准 PSO 相比，HCPSO 具有更强的全局搜索能力，能够更有效地找到高质量的初始协态解。

赵海涵等（2026）的应用

赵海涵等将 HCPSO 与 DDPG 深度强化学习结合，形成 RLEPSO 算法，实现算法参数的自主动态调优，显著提高了收敛速度和求解质量。

参考文献

关宇同, 高长生, 胡玉东, 赵海涵. 面向航天器远距离协同交会的超参数自主调优-同伦方法[J]. 航天器环境工程, 2026.
Kennedy J, Eberhart R. Particle swarm optimization[C]. IEEE International Conference on Neural Networks, 1995.