共享并行粒子群算法在多核环境下的优化

"多核环境下并行粒子群算法 (2015年)，何莉、刘晓东、李松阳、张倚发表于《计算机应用》2015年第35卷第9期，该论文提出了共享并行粒子群(Shared-PSO)算法，以解决串行粒子群算法在处理大规模问题时效率低下的问题。通过利用多核处理器的并行计算能力，算法设计了共享区和粒子随机替换策略，提高了粒子信息的交流效率，并且具有良好的通用性，适用于多种串行粒子群算法。实验结果显示，新算法在CEC 2014标准优化测试集上的执行时间仅为串行算法的四分之一，显著提升了粒子群算法的执行效率，拓宽了其应用领域。" 正文: 粒子群优化(PSO)是一种基于群体智能的全局优化算法，源于对鸟群和鱼群等自然群体行为的模拟。在单核心计算环境中，PSO算法通常采用序列方式执行，当处理大规模或复杂问题时，其计算效率较低，导致运行时间过长。为了应对这一挑战，"多核环境下并行粒子群算法"提出了共享并行粒子群算法，旨在充分利用现代多核处理器的并行计算能力。 共享并行粒子群算法的核心思想是将粒子群分为多个子群，每个子群分配到不同的处理器核心上进行并行计算。通过设置共享区，不同子群的粒子可以交换信息，从而促进了全局最优解的探索。此外，算法引入了粒子随机替换策略，即在一定的概率下，子群间的粒子会随机交换位置，进一步增强了种群的多样性，防止早熟收敛。 在算法设计上，Shared-PSO保持了基本PSO算法的框架，同时考虑到并行环境下的通信和同步问题。其通用性体现在，可以接纳各种串行PSO算法的更新规则，使得算法具有更强的适应性和灵活性。实验结果表明，这种并行化方法显著减少了算法的运行时间，提高了优化效率，对于解决高维度和大规模优化问题尤其有利。 此外，该研究还指出，由于Shared-PSO算法的成功实施，粒子群优化技术可以更广泛地应用于工程优化、机器学习、模式识别、神经网络训练等需要大量计算的领域。这不仅提高了问题求解的速度，也使得原本因计算资源限制而无法应用PSO的复杂问题得以解决。 "多核环境下并行粒子群算法"通过并行计算和信息共享策略，成功改进了传统PSO算法的性能，为优化计算提供了新的解决方案。该研究为后续的并行优化算法设计提供了理论依据和实践参考，对于推动群体智能算法的发展具有积极意义。