无需参数的小生境粒子群算法：多模优化效率提升

本文主要探讨了在基于粒子群优化算法的多模函数优化问题中的一种创新策略。针对传统小生境方法存在的对特定参数依赖的问题，研究人员提出了一个无需预先设定参数的小生境粒子群优化算法（Modified Niching Particle Swarm Optimization，MNPSO）。算法的核心在于两个关键步骤： 首先，通过考虑粒子的适应度在种群整体适应度中的比例，即每个粒子的相对优势，来确定其是否达到了局部最优解。这种设计使得算法能够更加公平地评估每个粒子的性能，即使在复杂多模函数优化环境中也能找到可能的局部最优。 其次，通过计算每个局部最优解粒子与其周围普通粒子的欧式距离，然后取这些距离的平均值作为小生境的半径。这种方法确保了小生境的形成是动态的，随着迭代进行，算法可以自适应地调整小生境的大小，有助于避免陷入局部最优，提高全局搜索效率。 实验结果表明，MNPSO算法在收敛速度和优化成功率上明显优于那些依赖于固定参数的小生境算法，如Fast Elitist Particle Swarm Optimization (FEPSO)和Self-Organizing Particle Swarm Optimization (SPPSO)。这说明该算法具有更好的全局搜索能力和稳定性，尤其是在解决多模函数优化问题时，能够更有效地探索和利用函数的多个局部最优区域。 此外，本文的作者团队包括史哲文、白雪石和郭禾，他们分别来自大连理工大学软件学院嵌入式系统工程系，涉及的研究领域涵盖了智能计算、社会网络分析、图像处理、分布式计算、计算机视觉和软件工程等多个方面，展示了跨学科合作在优化算法研发中的重要性。 这篇论文提供了一种有效的多模函数优化策略，对于粒子群优化算法的理论和实践都有重要意义，为未来在处理复杂优化问题时提供了新的思考角度和技术手段。