《基于并行策略的改进混合粒子群算法及其应用》这篇论文主要探讨了如何解决粒子群优化算法(PSO)在处理高维度复杂优化问题时容易陷入局部最优的困境。作者提出了一个创新的算法——基于并行策略的改进混合粒子群算法(DA_PSO),该算法结合了差分进化算法(DE)、人工蜂群算法(ABC)和PSO的优势。
粒子群优化算法是一种受到鸟群飞行行为启发的全局优化算法,它通过模拟粒子在搜索空间中的移动和信息共享来寻找最优解。然而,在处理高维度和复杂问题时,PSO可能会因为粒子间的相互影响而陷入局部最优,无法找到全局最优解。
为了解决这一问题,论文提出了DA_PSO算法。该算法采用并行策略,保持种群规模不变,同时运行DE、ABC和PSO三种算法,每隔一定次数(n次)比较三种算法的当前最优解,选取最优解替换PSO算法的种群最优解。这样,PSO算法可以利用DE和ABC算法的优点,提高跳出局部最优的能力,从而增强优化结果的质量。
DE算法以其强大的全局搜索能力和适应性,能有效探索大规模问题的解决方案空间;ABC算法则通过模拟蜜蜂的觅食行为,具有较好的探索性和收敛性。DA_PSO算法通过并行运行和信息融合,使得PSO在保持个体向种群最优靠近特性的同时,能够更好地吸收DE和ABC的搜索策略,避免早熟收敛,提高了算法的精度、稳定性和适应性。
论文通过五种不同类型测试函数对比验证了四种算法(ABC、DE、PSO和DA_PSO)的性能。实验结果显示,DA_PSO算法在精度、稳定性以及对复杂问题的适应性方面均优于其他算法。
此外,为了证明DA_PSO算法的实际应用价值,论文将其应用于10t~32t/31.5m系列化桥式起重机主梁金属结构的轻量化设计中。这一应用实例进一步验证了DA_PSO算法的科学性和实用性,表明该算法在实际工程问题中也能有效地找到高质量的优化方案。
总结来说,这篇论文提出的DA_PSO算法通过并行策略和混合优化,成功地克服了PSO算法在高维度复杂问题上的局限性,提升了优化效率和结果质量,对于优化算法领域有着重要的理论和实践意义。