改进随机微粒群算法GCSPSO：全局优化与多样性保持

本文主要探讨了一种改进的随机微粒群算法，即"全局收敛随机微粒群算法"（GCSPSO），由魏志华和黄孝伦两位作者在武汉理工大学计算机科学与技术学院提出。该研究以保证全局收敛性的标准随机微粒群算法SPSO（Stochastic Particle Swarm Optimization）为基础，旨在克服原始算法可能存在的无法收敛于全局最优解的问题。 在GCSPSO的设计中，作者引入了确定性搜索策略，这增加了算法的搜索精度，有助于更快地逼近最优解。同时，他们还考虑到了群体多样性，通过让每个微粒共享的社会信息随距离扩散，使得算法能够在搜索过程中保持一定的探索性，避免陷入局部最优。这种策略在处理多峰函数优化问题时表现出色，不仅提高了收敛速度，还能有效地进行全局搜索，显示出更强的全局优化能力。 文章指出，微粒群算法（PSO）源于生物群体行为的模拟，尤其是鸟类群体觅食行为的研究，其简洁的结构和快速收敛性使其在诸如神经网络和电力系统等领域得到广泛应用。然而，标准PSO算法的收敛性问题是研究者关注的重点，如FrancevandenBergh引用的Solis和Wets的工作揭示了其潜在的局限性。 为了解决这些问题，文献[5]提出的SPSO算法引入了随机性，试图以更高的概率找到全局最优解。本文在此基础上进一步创新，提出GCSPSO，以期改进算法的全局优化性能，使之在处理复杂优化问题时更具竞争力。 魏志华和黄孝伦的研究工作对于提升随机微粒群算法的性能具有重要意义，为解决实际问题中的优化挑战提供了新的思路和技术支持。他们的研究不仅提升了算法的实用价值，也推动了群体智能理论在工程实践中的应用和发展。