微粒群算法作为一种基于群体的随机优化算法,在进化迭代的过程中需要进行大量的适应值计算,计算耗时很长,这在很大程度上影响了算法的效率。此外,微粒群算法还存在容易陷入局部最优和收敛速度不理想的缺点。针对这些问题,本文对基于Pool的分布式微粒群算法进行研究,通过把计算分散到多个计算节点,来解决微粒群算法计算耗时长的问题;此外基于Pool的异步进化模式可以弥补微粒群算法易于陷入局部最优值的缺陷,扩大粒子的搜索范围,提高收敛速度。本文首先对当前微粒群算法研究情况进行了总结,针对目前研究存在的问题提出了一种基于Pool的分布式计算模型的微粒群算法,通过多个节点(nodes)或孤岛(islands)共享一个数据池(pool),不同的操作对数据池内数据进行处理,最终完成计算。然后结合进化机制、数据共享机制和粒子锁机制,设计实现了基于Pool的分布式微粒群算法。最后进行了仿真实验并对实验结果进行了统计分析。仿真部分从并行计算的角度构造了分布式微粒群算法的环境,实现了多个节点同时计算的分布式系统。在仿真实验中,选取4个标准测试函数对改进后的分布式微粒群算法进行了测试,并把测试结果与经典微粒群算法进行了对比。仿真实验结果表明,改进后的算法在进行多次独立实验后,收敛次数比相同参数下经典微粒群算法多,适应值的平均值有很大改善,同时算法运行耗时也减少了很多。多个节点参与计算有效缩短了计算的时间,共享数据池的引入和异步模式的采用提高了算法的全局收敛性能。