并行进化算法：新型策略与应用研究

"并行进化算法的研究与应用" 本文主要探讨了并行进化算法在解决优化问题，特别是复杂系统优化问题中的应用。其中，进化算法，包括群体智能算法，被广泛视为有效的工具。群体智能算法中，量子行为粒子群优化算法（Quantum-behaved Particle Swarm Optimization，简称QPSO）因其全局收敛性和在实际问题中的优秀表现，成为研究的重点。相较于传统的粒子群优化算法（PSO）和遗传算法（GA），QPSO在许多情况下表现出更优的性能。 作者马艳在深入研究遗传算法、PSO以及QPSO的基础上，受遗传算法并行化策略的启发，提出了针对粒子群优化算法和QPSO的新并行化策略。该策略的核心在于引入“岛模型”和“交换算子”，在分布式计算环境中，通过粒子间的迁移和信息交换，保持群体多样性，从而提升算法的全局探索能力。这一策略旨在解决并行计算中可能遇到的通信瓶颈问题，通过指数递减的通信周期安排，优化了通信时间。 论文详细描述了并行算法的设计理念和实现过程，以一些常见基准函数的并行实现为例，提供了大量测试结果，并与串行算法及现有并行策略进行了对比。测试表明，提出的并行方案在搜索能力和运行时间上均具有显著优势，为解决复杂优化问题提供了有力工具。 此外，论文还将改进后的并行粒子群优化算法（PPSO）应用于多阶段投资组合优化问题，目标是最大化个人经济效益或周期结束时的个人财富。通过比较不同回报率标准下的投资组合性能，验证了算法的有效性。 关键词涉及并行计算、粒子群优化算法、量子化行为以及多阶段随机优化。江南大学的这项研究为并行进化算法的理论发展和实际应用提供了新的视角和方法。