在信息技术和工程领域中，快速全局优化算法是解决复杂工程问题的重要工具，特别是在电磁场逆问题分析计算上，传统的数值计算方法往往需要大量的计算机资源，这成为了限制计算效率的“瓶颈”。针对这一问题，倪洪杰提出了基于移动最小二乘（Moving Least Squares, MLS）和粒子群优化（Particle Swarm Optimization, PSO）算法的快速全局优化算法。下面将详细介绍该算法的原理、特点以及在电磁场逆问题分析中的应用。
我们来理解移动最小二乘法。移动最小二乘法是一种逼近方法，用于处理数据点的插值问题。与传统的最小二乘法不同，移动最小二乘法不仅考虑了所有数据点，而且能够为每个查询点赋予不同的权重，这些权重通常与查询点与数据点之间的距离有关。这样，移动最小二乘法就能够灵活地处理奇异采样点，以及对模型进行参数自适应调整，从而提高对复杂问题的建模精度。
而粒子群优化算法是一种基于群体智能的优化技术。粒子群算法模拟鸟群觅食的行为，通过个体（粒子）之间的信息共享，迭代地改进整个群体的搜索方向，直至找到最优解。这种算法的并行性和简单性使其在许多工程优化问题中得到了广泛应用。
倪洪杰所提出的快速全局优化算法的关键在于将移动最小二乘法和粒子群优化算法结合起来。算法的核心步骤如下：
1. 使用移动最小二乘法对原优化问题进行重构。这一过程主要是通过最小二乘近似对优化问题的目标函数或约束条件进行数学建模，从而获得一个可以被优化算法处理的表面响应模型。
2. 将重构得到的优化问题与改进后的粒子群算法相结合。改进的粒子群算法可以更快地对重构的优化问题进行全局寻优，从而获得原问题的近似最优解。
3. 算法的有效性和精确度通过数值计算结果进行验证。由于算法仅在计算目标函数采样点的函数值时需要进行复杂的电磁场数值计算，因此相比传统的分析方法，该算法大大提高了计算效率。同时，由于基于移动最小二乘法的表面响应模型具有良好的参数自适应能力，所以算法在处理多峰函数的全局优化问题时表现出色。
此外，为了提高表面响应模型的精度，当前计算电磁学领域主要采用基于径向函数的表面响应模型。不过，这种模型在处理不规则采样点、算法参数最佳匹配、以及在采样点很多时的计算资源消耗方面存在不足。倪洪杰提出的基于移动最小二乘法的表面响应模型旨在解决这些问题，从而在电磁场逆问题的目标函数重构中获得更好的性能。
倪洪杰所提出的基于移动最小二乘和粒子群算法的快速全局优化算法，不仅为电磁场逆问题分析计算提供了一种新的解决方案，同时也为其他需要全局寻优的工程问题提供了理论基础和技术参考。通过该算法，可以在保证优化质量的同时，大幅度降低对计算机资源的依赖，提高计算效率，具备了在工程实践中的广泛应用前景。
