并行粒子群优化算法：基于岛屿群体模型的改进

"该文提出了一种基于岛屿群体模型的并行粒子群优化算法，旨在提升粒子群优化算法在处理大规模多变量问题时的求解效率和避免早收敛现象。通过对粒子群优化算法的机制和并行性进行分析，设计出的并行算法在实验中表现出色，性能显著优于传统粒子群优化算法。该研究由黄芳和樊晓平完成，发表于《控制与决策》2006年第2期，受到国家自然科学基金项目的资助。" 粒子群优化算法（PSO）是一种模拟鸟群觅食行为的全局优化方法，通过群体中的粒子相互学习和迭代更新，寻找问题的最优解。然而，当面对高维度和大规模问题时，标准PSO可能会出现早收敛和局部最优的问题，影响其求解效果。 岛屿群体模型是并行计算中的一种策略，将大的种群划分为多个小的子种群或“岛屿”，每个岛屿独立运行PSO算法，通过一定规则（如移民机制）在岛屿间交换信息，以促进全局探索。这种模型利用并行计算资源，提升了搜索速度，同时增加了算法的多样性，有助于防止早收敛和陷入局部最优。 本文中提出的并行粒子群优化算法结合了岛屿群体模型，每个岛屿上的粒子群独立搜索解决方案空间，然后按照预设的移民策略，选择优秀的个体迁移到其他岛屿，使得整个群体的解决方案多样性得以保持。这种方法既利用了并行计算的优势，加快了搜索过程，又通过信息交流避免了单一岛屿的过早收敛。 实验结果显示，基于岛屿群体模型的并行PSO算法在求解效率和避免早收敛方面均优于传统的PSO算法，证明了该方法的有效性和适用性。这一研究对于解决复杂优化问题，特别是在工程、计算机科学、机器学习等领域具有重要的理论价值和实际应用前景。 关键词：演化计算，岛屿群体模型，并行处理，粒子群优化算法 分类号：TP18 文献标识码：A 文章编号：100120920(2006)0220175205 作者简介：黄芳，女，副教授，博士生，研究方向为虚拟现实技术、计算机图形学；樊晓平，男，教授，博士生导师，研究方向包括机器人控制、智能交通系统。