论文部分内容阅读
群智能优化算法是近年来新型的一种仿生类优化算法，其中人工鱼群算法(Artificial Fish Swarm Algorithm, AFS)和人工蜂群算法(Artificial Bee ColonySwarm Algorithm, ABC)是近几年研究较多的两种群智能优化算法。因其鲁棒性较强、参数设置简单、易于实现等特点，在工程优化、演化计算、电力系统、计算机和通讯等领域得到了广泛的研究与应用，已成为交叉科学中较活跃的前沿性课题。群智能算法作为一种新兴的演化计算技术，在模拟动物采样、收集食物的过程中采取不同方法来解决复杂问题。人工鱼群算法与人工蜂群算法具有较强的全局搜索能力，但后期精细搜索能力较差，易陷入局部最优。因此，首先引入反向学习机制，对初始化种群进行均匀分布，然后将种群随机分为两组，并使用交互学习策略加快算法收敛速度，算法前期采用AFS与ABC进行全局搜索，得到寻优范围；后期采用改进的DN-AFS和RP-ABC算法对前期得到的解进行局部精细搜索；最后构建MPI+OpenMP+STM并行编程模型，对算法进行并行设计与分析。通过仿真实验，证明提出的混合群智能并行算法的可行性和有效性。本文的主要工作包括：(1)针对人工鱼群算法后期搜索能力减弱，种群多样性减少，容易陷入局部最优，引入动态权衡因子策略，在寻优过程中介入控制人工鱼的步长与视野范围，有效平衡全局寻优方向；并通过常数阈值判断鱼群的聚集程度，适时引入小生境技术增加种群多样性，提出在多核机群环境下的人工鱼群并行算法(PDN-AFS)，仿真实验证明算法寻优能力有显著的提高。(2)通过分析人工蜂群算法的特点，得到算法在处理复杂函数优化问题时收敛速度缓慢，较易陷入早熟，提出了一种人工蜂群并行算法(PRP-ABC)，引入随机摄动因子η和全局最优解gbest两个策略，得到新的食物源更新公式，应用OpenMP并行技术支持，优化结果表明PRP-ABC有较高加速比。(3)通过分析上述提出的两种改进算法，结合AFS和ABC较强的全局寻优能力，提出混合群智能并行算法。把种群随机等分为两组，算法前期，两组分别采用AFS和ABC进行寻优，定位全局最优解；算法后期将得到的解同样分为两组执行，其中一组采用DN-AFS执行，另一组采用RP-ABC执行，增强后期局部搜索能力。两组同时进化，设计MPI+OpenMP+STM并行编程模型，最后通过对复杂函数优化实验验证混合算法的寻优效率。