動(dòng)態(tài)多種群粒子群算法研究及其并行實(shí)現(xiàn).pdf

1、粒子群算法是最近幾年興起的一種智能優(yōu)化算法，起源于對(duì)鳥類群體覓食行為的模擬，它通過群體間的競(jìng)爭(zhēng)與合作來指導(dǎo)搜索，近幾年來已引起越來越多研究者的關(guān)注。它具有分布式，自組織性，公式簡(jiǎn)單等特點(diǎn)，已被廣泛應(yīng)用到函數(shù)優(yōu)化、交通智能控制、圖像分割和路徑規(guī)劃等領(lǐng)域。
　　經(jīng)典粒子群算法在單峰函數(shù)具有較強(qiáng)的尋優(yōu)能力，但在高維多峰問題上，由于固有的缺陷使算法陷于早熟，而又缺少跳出機(jī)制，故無法達(dá)到全局最優(yōu)。如何避免粒子群陷入“早熟”、保持粒子群的多樣

2、性成為了粒子群優(yōu)化算法的研究重點(diǎn)。
　　多種群現(xiàn)象是自然界中普遍存在的一種生態(tài)形態(tài)。不同子種群間的獨(dú)立進(jìn)化增加了物種的多樣性。已有不少研究人員將其應(yīng)用到優(yōu)化算法中來提高性能。這給了解決粒子群算法早熟問題新的啟發(fā)。論文在分析現(xiàn)有的多種群粒子群算法基礎(chǔ)上，提出了一種帶平衡全局搜索策略的動(dòng)態(tài)多種群粒子群算法，該算法基于多個(gè)子種群的并行計(jì)算，增加了種群的多樣性，并通過周期性調(diào)整子種群成員，提高了算法的跳出局優(yōu)陷阱的能力，并在多個(gè)復(fù)雜基準(zhǔn)測(cè)

3、試函數(shù)中檢驗(yàn)了其性能。
　　在利用粒子群算法解決實(shí)際問題時(shí)，隨著維度、粒子數(shù)、種群數(shù)等參數(shù)數(shù)量的增加，運(yùn)算時(shí)間成倍地增長(zhǎng)，限制了算法的應(yīng)用。因此，找到一種能夠使粒子群算法并行化的方法具有十分重要的意義，作為一種新興技術(shù)，2007年由NVIDIA公司推出的統(tǒng)一計(jì)算設(shè)備架構(gòu)CUDA成功結(jié)合了CPU和GPU的特性功能，它使GPU具有強(qiáng)大的并行計(jì)算能力，分析粒子群算法的運(yùn)行規(guī)律，發(fā)現(xiàn)其非常適合進(jìn)行細(xì)粒度的并行化實(shí)現(xiàn)，論文設(shè)計(jì)了一個(gè)在CUD

4、A平臺(tái)上實(shí)現(xiàn)并行粒子群算法的方案，方案采取幾個(gè)關(guān)鍵函數(shù)對(duì)粒子的進(jìn)化過程進(jìn)行并行化實(shí)現(xiàn)，通過對(duì)比CPU版本與GPU版本的實(shí)現(xiàn)，取得了較好的加速比。
　　本文所含工作如下:
　　(1)為了解決PSO算法存在的缺陷，通過分析各種現(xiàn)有多種群粒子群算法的，提出了平衡全局搜索與局部搜索的動(dòng)態(tài)多種群粒子群算法，驗(yàn)證算法在一定程度上提高了DMSPSO算法的性能，并在各個(gè)基準(zhǔn)函數(shù)中測(cè)試其尋優(yōu)性能。
　　(2)通過分析粒子群算法潛在的并行