基于云计算的协同进化粒子群算法及应用研究

Traditional optimization methods and computing models are not efficient enough for solving large-scale optimization problems. Through a combination of the parallel computing power of cloud-computing model and the global search capability of particle swarm optimization (PSO), this project proposes a cloud-based cooperative coevolutionary PSO algorithm, and applies it to large-scale optimization problems. The optimization problem to be solved can be decoupled by analyzing the functions of its optimization objective, which can reduce the dimension and complexity of the original problem, and each sub-problem decoupled is assigned with its respective cloud-computing resources. By using multiple sub-populations, each decoupled sub-problem is optimized by its respective sub-population. Moreover, the proposed algorithm dynamically adjusts the cooperative communication strategy between different sub-populations through estimation of the optimization state, so as to improve the cooperation efficiency of the algorithm under cloud-computing model. By analyzing the effects of two types of control parameters in the cooperative coevolutionary PSO algorithm, these two types of parameters are adjusted adaptively under cloud-computing model, and thus the performance and robustness of the algorithm can be further improved. Eventually, this project will present a new approach for solving large-scale optimization problems: using cloud-based cooperative coevolutionary PSO algorithm, which can enhance the efficiency, accuracy, and reliability of the algorithm in solving problems. The project is expected to achieve innovative results on both algorithm theory and practical application research.

传统的优化方法和计算模式对大规模优化问题的求解效率不高。通过结合云计算模式的并行计算能力和粒子群优化算法的全局搜索能力，本课题提出一种基于云计算的协同进化粒子群优化算法，并将其应用于求解大规模优化问题。将待解问题根据优化目标功能进行解耦，降低问题的维度和复杂度，并为解耦后的每个子问题分配相应的云计算资源。利用多个子种群对解耦后的多个子问题分别进行优化，并通过对优化状态的动态感知灵活调整子种群间的协作通信策略，提高算法在云计算模式下的协作效率。通过对协同进化粒子群优化算法的两类控制参数作用的分析，在云计算模式下对这两种参数分别进行自适应调整，进一步提高算法的性能和鲁棒性。最终，本课题将给出一个运用基于云计算的协同粒子群优化算法求解大规模优化问题的新途径，提高问题的求解效率、求解精度和算法可靠性，预期在算法理论和实际应用中取得创新性成果。

在智能算法的研究和实际应用中，求解大规模优化问题是当前最具挑战的热点。大规模优化问题的求解要求在更多的各种硬件资源和新的并行求解算法设计方法，本项目就是在这种背景下提出的。. 本课题研究基于云计算的协同进化粒子群优化算法的策略和方法，并将其应用于求解大规模优化问题和多目标优化问题。首先，我们主要策略是利用分治策略，研究解耦方法，创新地提出了两种方法将待解问题根据优化目标函数进行自动解耦，分别是基于图的差分分组方法和基于谱聚类的差分分组方法，这两方法都能有效降低问题的维度和复杂度，然后提出和设计了协同进化的粒子群算法，对解耦后的每个子问题进行求解，通过并行协同进化的方法对多个子种群对解耦后的多个子问题分别进行优化，可以较合理地利用云计算平台的资源。在设计和实现协同进化算法中，研究了协作通信策略，对协同进化粒子群优化算法的两类控制参数作用，提出在云计算模式下对这两种参数分别进行自适应调整的方法，以提高对优化状态的动态的感知，通过有效的调整子种群间进化的协作通信策略，提高了算法在云计算模式下的协作效率，进一步提高算法的性能和鲁棒性。最终，本课题研究给出多个运用基于云计算的协同粒子群优化算法求解大规模优化问题的新途径，提高问题的求解效率、求解精度和算法可靠性，并在算法理论和实际应用中取得较有创新性的成果。