基于渗透模型的并行粒子群算法研究

在环境和资源问题日益凸显的今天，最优化问题是经济建设和工程实践中一个不容回避的关键问题。粒子群优化算法（PSO）是上世纪90年代提出的一种基于群体迭代的全局优化算法。但在处理大规模复杂问题时,简单的串行粒子群算法存在寻优速度慢、局部收敛等方面的问题。粒子群算法的多群体并行化是显著提高算法计算速度和求解精度的有效办法。但是目前的多群体并行粒子群算法需要事先人为设定诸多参数：通信拓扑结构、迁移源子群体、目的地子群体、迁移方向、迁移代频、替换率等。本项目研究基于渗透模型的多群体并行粒子群算法，借助渗透压概念自适应确定子群体间的通信拓扑结构、迁移源子群体、目的地子群体、迁移方向、迁移代频及替换率等参数，避免人为设置这些参数的盲目性，降低多群体并行粒子群算法的通信代价，提高算法性能。

研究紧扣计划围绕基于渗透模型的并行粒子群算法研究主题。我们在粒子群算法设计和其他一些算法分析与应用方面取得一系列研究成果，完成预定研究目标。. 我们提出8种用于多群体并行粒子群算法的迁移策略。通过与常用的迁移一个粒子的策略(One-To-Migrate)在36个标准测试函数上进行实验比较发现，其中两种策略在高维函数上更有效，而One-To-Migrate策略在低维函数上更有效。. 我们提出迁移代频自适应调整的多群体并行粒子群算法。该算法能随着演化进程自动确定迁移代频，从而避免不必要的迁移，降低通讯代价，避免人为设置的盲目性。通过与迁移代频固定的多群体并行粒子群算法在36个标准测试函数上进行实验比较发现，迁移代频自适应调整的多群体并行粒子群算法总体上更有效。. 我们还研究提出基于渗透模型的并行粒子群算法。该算法能自适应地确定迁移代频、迁移方向、迁移率。通过与基本粒子群算法、多群体并行粒子群算法、及由Chu提出的多群体并行粒子群算法进行实验比较发现，基于渗透模型的多群体并行粒子群算法是有效的。. 我们还将研究范围扩展到其他算法的理论和实验研究，用Markov链分析了基于爬山策略的随机游走算法及局部（1+1）遗传算法在双模态MaxSAT问题上的成功率和适应值期望，研究了漂移分析和进化算法时间复杂性的关系等。我们用蚁群算法结合合并高斯消元法搜索与Strassen算法相同时间复杂度的矩阵乘积算法。由于该方法能减少变量个数，压缩搜索空间，所以极为有效。. 目前，项目组成员已发表（含录用）基金项目标记的学术论文5篇：2篇发表在被SCI收录国际期刊：1篇发表在Journal of Global Optimization （11年SCI影响因子1.196），1篇发表在IEEE Transactions on System, Man, and Cybernetics: Part B（11年SCI影响因子3.08）；1篇发表在EI收录国际期刊Journal of Computational Information Systems；1篇发表在EI收录国际会议论文集；1篇中文核心期刊。