智能算法的亚群优化策略综述

doi:10.11772/j.issn.1001-9081.2023030380

《计算机应用》唯一官方网站››2024,第44卷››问题（3）: 819-830.内政部：10.11772/j.issn.1001-9081.2023030380

智能算法的亚群优化策略综述

杜晓昕(),周薇,王浩,郝田茹,王振飞,金梅,张剑飞

齐齐哈尔大学计算机与控制工程学院，黑龙江齐齐哈尔 161006

《华尔街日报》：2023-04-11 修回日期:2023-06-06年 日本：2023-06-08 发布日期:2023-07-12 出版日期:2024年3月10日
通讯作者:杜晓昕
作者简介:周薇（1999—），女，河北保定人，硕士研究生，主要研究方向：群智能优化算法
王浩（1996—），男，河南商丘人，硕士研究生，主要研究方向：智能优化算法
郝田茹（1998—），女，山西吕梁人，硕士研究生，主要研究方向：群智能优化算法
王振飞（1999—），男，山东潍坊人，硕士研究生，主要研究方向：群智能优化算法
金梅（1977—），女，辽宁鞍山人，讲师，硕士，主要研究方向：数据库、数据分析
张剑飞（1974—），男，黑龙江齐齐哈尔人，教授，博士，主要研究方向：深度学习。
基金资助:
黑龙江省省属高等学校基本科研业务费自然科学类青年创新人才项目(145209206)

智能算法子群优化策略综述

杜小新(),魏舟,王浩（Hao WANG）,HAO天如,王振飞,梅金,张剑飞

齐齐哈尔大学计算机与控制工程学院，黑龙江省齐齐哈尔市，161006

收到：2023-04-11 修订过的：2023-06-06年 认可的：2023-06-08 在线：2023-07-12 出版：2024年3月10日
联系人：杜晓欣
关于作者：周伟，1999年出生，硕士研究生。她的研究兴趣包括群体智能优化算法。
王浩，1996年出生，硕士研究生。他的研究兴趣包括群体智能优化算法。
郝天如，1998年出生，硕士研究生。她的研究兴趣包括群体智能优化算法。
王振飞，1999年生，硕士研究生。他的研究兴趣包括群体智能优化算法。
金梅，1977年出生，硕士，讲师。她的研究兴趣包括数据库、数据分析。
张建飞，1974年生，博士，教授。他的研究兴趣包括深度学习。
支持单位：
黑龙江省高校基本科研基金自然科学青年创新人才项目（145209206）

摘要/摘要

摘要：

群智能算法的优化是提升群智能算法性能的一个主要途径，随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中，对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段，能够灵活地平衡算法的全局勘探能力和局部开发能力，已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用，对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查，阐述了各类亚群策略的结构特点、改进方式和应用场景。最后，总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

关键词: 粒子群优化算法, 群智能算法, 动态亚群策略, 主从范式, 网络结构

摘要：

群智能算法的优化是群智能算法改进的主要途径。随着群智能算法在各种模型优化、生产调度、路径规划等问题中的应用越来越广泛，对智能算法的性能要求也越来越高。子群策略作为优化群体智能算法的重要手段，能够灵活平衡全局探索能力和局部开发能力，已成为群体智能算法研究的热点之一。为了促进分组策略的发展和应用，对动态分组策略、基于主从范式的分组策略和基于网络结构的分组策略进行了详细研究。阐述了各种分组策略的结构特点、改进方法和应用场景。最后，总结了当前亚组策略存在的问题以及未来的研究趋势和发展方向。

关键词： 粒子群优化（PSO）算法，群体智能算法，动态分组策略，主从模式，网络结构

中图分类号:

TP301.6型

杜晓昕, 周薇, 王浩, 郝田茹, 王振飞, 金梅, 张剑飞. 智能算法的亚群优化策略综述[J] 。计算机应用, 2024, 44(3): 819-830.

杜小新，周伟，王浩，郝天儒，王振飞，金梅，张建飞。智能算法子群优化策略综述[J]。计算机应用杂志，2024，44（3）：819-830。

图/表11

参考文献89

1	KENNEDY J，EBERHART R.粒子群优化〔C〕//1995年神经网络国际会议论文集。皮斯卡塔韦：IEEE1995，4： 1942-1948.10.1109/ICNN.1995.488968
2	KARABOGA D，BASTURK B.关于人工蜂群算法的性能〔J〕。应用软计算，2008，8（1）： 687-697.2016年10月10日/j.asoc.2007.05.007
三	YANG X-S.用于多峰优化的Firefly算法〔C〕//第五届随机算法国际研讨会论文集：基础与应用。柏林：斯普林格2009： 169-178.10.1007/978-3-642-04944-6_14
4	CHANDRASEKARAN K，SIMON S P.多目标调度问题：基于模糊辅助布谷搜索算法的混合方法〔J〕。群与进化计算，2012，5： 1-16.2016年10月10日/j.swevo.2012.01.01
5	PAN W-T.一种新的果蝇优化算法：以财务困境模型为例〔J〕。基于知识的系统，2012，26：69-74.2016年10月10日/j.knosys.2011.07.001
6	杜曼E，尤萨尔M，ALKAYA A F.候鸟优化：一种新的元启发式方法及其在二次分配问题上的性能〔J〕。信息科学，2012，217： 65-77.10.1016/j.ins.2012.06.032
7	孟X-B，高晓初，卢磊，等.一种新的生物激励优化算法：鸟群算法〔J〕。实验与理论人工智能杂志，2016，28（4）： 673-687.10.1080/0952813x.2015.1042530
8	王国光，DEB S，COELHO L.大象放牧优化〔C〕//第三届计算与商业智能国际研讨会论文集。皮斯卡塔韦：IEEE2015： 1-5.10.1109/iscbi.2015.8
9	SAREMI S，MIRJALI S，LEWIS A.蝗虫优化算法：理论与应用〔J〕。工程软件进展，2017，105：30-47。10.1016/j.advengsoft.2017.01.004年1月10日
10	FARAMARZI A，HEIDARINEJAD M，MIRJALI S，等.海洋捕食者算法：一种自然启发的元启发式算法〔J〕。带应用程序的专家系统，2020，152：113377.2016年10月10日/j.eswa.2020.113377
11	MIRJALI S，MIRJAILI S M，HATAMLOU A.多变量优化器：一种全局优化的自然启发算法〔J〕。神经计算与应用，2015，27：495-513.2007年10月7日/200521-015-1870-7日
12	SINDHU R，NGADIRAN R，YACOB Y M，等.基于精英策略和新更新机制的正弦特征选择算法〔J〕。神经计算与应用，2017，28： 2947-2958.2007年10月7日/200521-017-2837-7
13	KAVEH A，DADRAS A.一种新的元神经优化算法：热交换优化〔J〕。工程软件进展，2017，110（C）：69-84。10.1016/j.advengsoft.2017.03.014
14	FARAMARZI A，HEIDARINEJAD M，STEPHENS B E，等.平衡优化器：一种新的优化算法〔J〕。基于知识的系统，2020，191： 105190.2016年10月10日/j.knosys.2019.105190
15	戈德伯格D。搜索、优化和机器学习中的遗传算法〔M〕。波士顿：艾迪森·韦斯利·朗曼1989： 25-29.10.5860/选择27-0936
16	STORN R，PRICE K.差分进化-一种简单有效的连续空间全局优化启发式算法〔J〕。全球优化杂志，1997，11： 341-359.10.1023/a:1008202821328
17	OMRAN M G H，MAHDAVI M.全球和声搜索〔J〕。应用数学与计算，2008，198（2）：643-656。2016年10月10日/j.amc.2007.09.004
18	PASSINO K M.细菌觅食分布式优化与控制的生物模拟〔J〕。控制系统杂志，2020，22（3）：52-67.
19	BLACKWELL T，BRANKE J.动态环境中的多温优化〔C〕//2004年进化计算应用研讨会论文集。柏林：斯普林格2004：489-500.10.1007/978-3-540-24653-4_50
20	梁俊杰，苏甘丹.动态多温粒子群优化算法〔C〕//2005 IEEE swarm Intelligence研讨会论文集。皮斯卡塔韦：IEEE2005：124-129.
21	LIANG J J，PAN Q-K，CHEN T，et al.用动态多群粒子群优化算法求解阻塞流车间调度问题〔J〕。国际先进制造技术杂志，2011，55：755-762.10.1007/s00170-010-3111-7
22	赵世忠，梁继杰，苏甘丹，等.基于局部搜索的动态多温粒子群优化算法在大规模全局优化中的应用〔C〕//2008 IEEE进化计算大会（IEEE World Congress on Computational Intelligence）论文集。皮斯卡塔韦：IEEE2008：3845-3852.10.1109/cec.2008.4631320
23	徐旭，唐毅，李杰，等.基于协作学习策略的动态多温粒子群优化算法〔J〕。应用软计算，2015，29（C）：169-183。2016年10月10日/j.asoc.2014.12.026
24	夏X，GUI L，ZHAN Z-H.一种基于动态拓扑和有目的检测的多温粒子群优化算法〔J〕。应用软计算，2018，67：126-140.2016年10月10日/j.asoc.2018.02.042
25	熊浩，邱斌，刘杰.一种改进的多温粒子群优化算法，用于优化多通道经颅磁刺激的电场分布〔J〕。医学中的人工智能，2020，104： 101790.2016年10月10日/j.artmed.2020.101790
26	王S，刘刚，高敏，等.带两个变异算子的异构综合学习动态多温粒子群优化算法〔J〕。信息科学，2020，540： 175-200.2016年10月10日/j.ins.20206.027
27	李德，郭伟，LERCH A，等.一种用于大规模优化的解耦探索与开发的自适应粒子群优化算法〔J〕。群与进化计算，2021，60：100789.2016年10月10日/j.swevo.2020.100789
28	CHU X，HU M，WU T，等.AHPS2:一种使用自适应异质粒子群的优化器〔J〕。信息科学，2014，280：26-52.10.1016/j.ins.2014.04.043
29	・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・・记者：。西安电子科技大学学报（自然科学版），2018，45（6）：69-74.
	刘德华，胡晓英，赵燕生，等.基于熵权动态子群的粒子群优化方法〔J〕。西电大学学报（自然科学版），2018，45（6）：69-74.
30	吴德，王国光.利用强化学习改进粒子群优化方法〔J〕。工程优化，2022，54（2）： 329-348.10.1080/0305215x.2020.1867120
31	VERMA P，PAROUHA R P。一种用于工程设计优化的高级混合算法〔J〕。神经处理信件，2021，53： 3693-3733.2007年10月10日/11063-021-10541-7
32	赵S-Z，苏甘丹，潘庆科，等.基于次区域协调搜索的动态多温粒子群优化算法〔J〕。带应用程序的专家系统，2011，38（4）： 3735-3742.2016年10月10日/j.eswa.2010.09.032
33	陈毅，李磊，彭华，等.动态多温差分学习粒子群优化算法〔J〕。群与进化计算，2017，39： 209-221.2016年10月10日/j.swevo.2017.10.004
34	REVATHI M，JEYA I J S，DEEPA S N.基于深度学习的图像分类应用软计算模型〔J〕。软计算，2020，24： 18411-18430.10.1007/s00500-020-05048-7
35	ASGHARI K，MASDARI M，GHAREHCHOPOGH F S，等.基于轮盘赌轮选择方法的多温混沌鲸粒子群优化算法〔J〕。专家系统，2021，38（8）：e12779。10.1111/exsy.12779
36	梁俊杰，陈春川，黄五力，等.利用新型动态多温粒子群优化算法提高光纤光栅传感器网络的性能〔C/OL〕//SPIE 5998论文集，恶劣环境传感器Ⅱ〔2023-03-01］. .
37	胡斌，孙杰，丁磊，等.基于测量的中小水电机组动态等值建模〔J〕。能源，2016，9（5）：362。10.3390/en9050362
38	郭G，哈克尼·D，潘科夫·M，等.用改进的粒子群优化方法对光谱轮廓分割复用光纤光栅传感器网络的查询〔J〕。测量科学与技术，2017，28（5）：055204.10.1088/1361-6501/aa637f
39	GARCíA-NIETO J，ALBA E.DNA微阵列基因选择的并行多温优化器〔J〕。应用智能，2012，37：255-266。2007年10月10日/10489-011-0325-9
40	宋磊，石杰，潘安安，等.一种考虑效率和能耗的加工操作多目标优化的动态多温粒子群优化算法〔J〕。能源，2020，13（10）： 2616.10.3390/en13102616
41	刘辉，顾芳，林志.基于多目标优化的传递学习参数自共享〔J〕。综合计算机辅助工程，2021，28（3）： 295-307.10.3233/ica-210655
42	BI L，CAO W，HU W，等.基于颗粒多温粒子群优化的微波腔滤波器智能调谐〔J〕。IEEE工业电子汇刊，2021，68（12）： 12901-12911.109年10月10日/2013年4月20日658
43	YOUSRI D，HASANIEN H M，FATHY A.基于综合学习动态多温海洋捕食者算法的静态和动态模拟用固体氧化物燃料电池参数识别〔J〕。能源转换和管理，2021，228： 113692.2016年10月10日/j.enconman.2020.113692
44	张杰，夏克，何Z，等.动态多温差分学习量子鸟群算法及其在随机森林分类模型中的应用〔J〕。计算智能与神经科学，2020，2020： 6858541.10.1155/2020/6858541
45	尹S，罗奇，周毅.IBMSA：多目标桁架优化问题的基于指标的多温黏土模型算法〔J〕。仿生工程学报，2022，20： 1333-1360.2007年10月14日/s42235-022-00307-9
46	NIU B，ZHU Y，HE X，等.多温协同粒子群优化算法MCPSO〔J〕。应用数学与计算，2007，185（2）： 1050-1062.2016年10月10日/j.amc.2006.07.026
47	NIU B，ZHU Y，HE X，等.基于多温优化器的动态系统处理模糊建模方法〔J〕。神经计算，2008，71（7/8/9）： 1436-1448.2016年10月10日/j.neucom.2007.05.010
48	牛斌，黄赫，谭力，等.基于共生的交替学习多温粒子群优化〔J〕。IEEE/ACM计算生物学和生物信息学汇刊，2017，14（1）： 4-14.10.1109吨/立方英尺2015年24月59690日
49	李静，张仁崇，潘春燕，等.单目标概率约束规划的微种群免疫优化算法［记者：。北京航空航天大学学报，2023，49（3）： 525-537.
	李杰，张瑞川，潘春英，等.单目标概率约束规划的微观免疫优化算法〔J〕。北京航空航天大学学报，2023，49（3）：525-537。
50	FAN S-K S，CHANG J-M.使用并行PC集群系统进行大规模多峰函数全局优化的动态多温粒子群优化算法〔J〕。工程优化，2010，42（5）： 431-451.10.1080/03052150903247736
51	GüLCú，KODAZ H.一种基于综合学习粒子群优化的并行多温算法〔J〕。人工智能的工程应用，2015，45：33-45.2016年10月10日/j.engappai.2015.06.013
52	孔飞，姜杰，黄毅.一种用于大规模优化的自适应多温竞争粒子群优化算法〔J〕。数学，2019，7（6）： 521.10.3390/道路7060521
53	李伟，郭伟，李毅，等.基于熵辅助多样性度量与管理的大规模优化多温竞争群优化算法〔J〕。并行与计算：实践与经验，2021，33（9）：e6216。10.1002/cpe.6126
54	范朝冬，刘颖南，章兢，等. 弱连接多子群分子动理论优化算法［记者：。控制理论与应用，2019，36（1）：108-119.10.7641/CTA.2018.70714
	范春东，刘永恩，张杰，等.一种弱连接的多子群体运动分子理论优化理论〔J〕。控制理论与应用，2019，36（1）： 108-119.10.7641/CTA.2018.70714
55	赵霞，刘忠，杨霞.一种多温协同多级扰动引导粒子群优化算法〔J〕。应用软件计算存档 2014，22： 77-93.2016年10月10日/j.asoc.2014.04.042
56	吴旭，孙明，肖C，等.生态学中Lotka-Volterra模型启发下的粒子群优化算法的实证研究〔J〕。软计算，2018，23（11）： 5571-5582.2007年10月7日/00500-018-3215-9日
57	张勇，龚德伟，丁志海.用多温协同粒子群优化算法处理多目标优化问题〔J〕。带应用程序的专家系统，2011，38（11）：13933-13941.
58	NICKABADI A，EBADZADEH M，SAFABAKHSH R.一种用于动态优化问题的竞争聚类粒子群优化器〔J〕。Swarm智能，2012，6：177-206.2007年10月17日/11721-012-0069-0
59	李聪，杨斯，杨明.一种动态优化问题的自适应多温优化器〔J〕。进化计算，2014，22（4）：559-594.10.1162/evco_a_00117
60	UFNALSKI B，GRZESIAK L M.具有降维适应度景观的插入式直接粒子群重复控制器-一种多群方法〔J〕。波兰科学院技术科学公报，2015，63（4）： 857-866.10.1515/bpasts-2015-0098
61	刘润，李杰，樊杰，等.基于多温粒子群优化的动态多目标协同进化技术〔J〕。欧洲运筹学杂志，2017，261（3）： 1028-1051.2016年10月10日/j.ejor.2017.03.048
62	秦杰，黄灿，罗毅.动态环境下的自适应多温〔J〕。群与进化计算，2021，63： 100870.2016年10月10日/j.swevo.2021.100870
63	GAO L，PAN Q-K。一个求解多资源约束柔性车间调度问题的混合多温微尺度优化算法〔J〕。信息科学，2016，372：655-676。10.1016/j.ins.2016.08.046
64	王坚浩，张亮，史超，等. 基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划［记者：。控制与决策，2019，34（7）：1375-1384.
	王建华，张磊，石春华，等.基于入侵杂草蝙蝠双子群优化算法的装备保障群协同任务调度〔J〕。控制和决策，2019，34（7）： 1375-1384.
65	陈华，黑达日A A，赵X，等.高级正交学习驱动的多温正弦余弦优化〔J〕。带应用程序的专家系统，2020，144： 113113.2016年10月10日/j.eswa.2019.113113
66	王明，陈宏.混沌多温鲸鱼优化器增强支持向量机在医学诊断中的应用〔J〕。应用软计算，2019，88： 105946.2016年10月10日/j.asoc.2019.105946
67	陈华，李斯，黑达日，等.高效多种群前哨果蝇驱动优化器：框架与支持向量机的进展〔J〕。带应用程序的专家系统，2020，142： 112999.2016年10月10日/j.eswa.2019.112999
68	陈辉，朱毅，胡坤.基于多温协同进化的离散和连续优化〔J〕。自然计算，2010，9： 659-682.2017年10月10日/11047-009-9174-4
69	SASAKI T，NAKANO H，MIYAUCHI A，等.粒子群优化网络化对求解性能的改善〔J〕。IEICE电子、通信和计算机科学基础汇刊，2015，98（8）： 1777-1786.10.1587/transfun.e98.a.1777
70	SASAKI T，NAKANO H，MIYAUCHI A，等.基于随机连接的粒子群优化网络用于提高多样性搜索能力以解决多峰优化问题〔J〕。IEICE电子、通信和计算机科学基础汇刊，2017，100（4）：996-1007。10.1587/transfun.e100.a.996
71	陈辉，朱毅，胡坤，等.基于多温优化器的RFID网络规划〔J〕。网络与计算机应用杂志，2011，34（3）： 888-901.2016年10月10日/j.jnca.2010.04.004
72	CHEN H-N，ZHU Y-L.一种用于射频识别网络调度的离散多温优化器〔J〕。中南大学学报，2014，21： 199-212.2007年10月17日/11771-014-1931-6
73	林恩，陈华，景S，等.RFID网络离散和连续优化中共生多物种协同进化的生物模拟〔J〕。沙特生物科学杂志，2017，24（3）： 610-621.2016年10月10日/j.sjbs.2017.01.033
74	J-J SHIN，BANG H.动态威胁下基于改进粒子群算法的无人机路径规划〔J〕。国际航空航天工程杂志，2020，2020： 8820284.10.1155/2020/8820284
75	刘小龙，梁彤缨.基于方形邻域和随机数组的哈里斯鹰优化算法［记者：。控制与决策，2022，37（10）： 2467-2476.
	刘晓林，梁天勇.基于平方邻域和随机数组的Harris-hawk优化算法〔J〕。控制和决策，2022，37（10）： 2467-2476.
76	韩敏，张丽君. 基于多样性检测的双子群多目标粒子群算法［记者：。控制与决策，2017，32（12）： 2268-2272.
	韩明，张立杰.基于多样性度量的Bi-group多目标粒子群优化算法〔J〕。控制和决策，2017，32（12）： 2268-2272.
77	陈忠云，张达敏，辛梓芸.多子群的共生非均匀高斯变异樽海鞘群算法［记者：。自动化学报，2022，48（5）： 1307-1317.
	陈志勇，张德民，辛志勇。基于多亚群的共生非均匀高斯变异salp群算法〔J〕。自动化学报，2022，48（5）： 1307-1317.
78	DWIVEDI S.使用自适应蝗虫优化算法检测无线通信介质中的匿名攻击〔J〕。认知系统研究，2021，69： 1-21.2016年10月10日/j.cogsys.2021.04.003
79	BELKHIRI Y，KAMEL N，DRIAS H。解决复杂环境下群落检测问题的高效多暖象放牧优化〔J〕。并行与计算：实践与经验，2021，34（1）：e6590。10.1002/cpe.6590
80	张强，李盼池. 自适应分组差分萤火虫算法求解连续空间优化问题［记者：。控制与决策，2017，32（7）： 1217-1222.
	张强，李鹏.连续空间优化问题的自适应分组差分萤火虫算法〔J〕。控制和决策，2017，32（7）： 1217-1222.
81	HSU H-P.采用多温离散萤火虫算法的多头龙门SMT机印刷电路板装配规划〔J〕。IEEE接入，2021，9： 1642-1654.10.1109/访问.2020.3046495
82	李杰，肖德丁，张特，等。基于Q学习模型的多群杜鹃搜索算法〔J〕。计算机杂志，2019，64（1）： 108-131.
83	王友卫，凤丽洲. 基于双子群和分区采样的果蝇优化新算法［记者：。浙江大学学报（工学版），2017，51（11）： 2292-2298.
	王永伟，冯丽珍.基于双子群和部分抽样的果蝇优化算法〔J〕。浙江大学学报（工程科学版），2017，51（11）：2292-2298.
84	罗瑞，郑华，郭J.利用多温果蝇优化算法求解多功能异构无人机协同任务规划问题〔J〕。传感器，2020，20（18）： 5026.10.3390/s20185026
85	赵霞，方毅，马仕，等.求解工程优化问题的混沌分组高斯变异多温改进火焰优化算法〔J〕。带应用程序的专家系统，2022，204： 117562.2016年10月10日/j.eswa.2022.117562
86	孙磊，孙伟，梁霞，等.复杂数值优化问题的改进代理辅助多温人工蜂群算法〔J〕。微处理器和微系统，2020，76： 103050.2016年10月10日/j.micpro.2020.103050
87	马S，方毅，赵X，等.全局优化问题的双自适应权值和维数学习多温改进灰狼优化算法〔J〕。模拟中的数学和计算机，2023，205： 619-641.2016年10月10日/j.matcom.2022.10.007
88	NIU B，XUE B，ZHOU T，等.基于交互式多温细菌觅食优化的航空维修技术人员满意度调度〔J〕。国际智能系统杂志，2022，37（1）： 723-747.10.1002/国际22645
89	王C，李Y，李X.用多群协同遗传算法求解柔性作业车间调度问题〔J〕。系统工程与电子学杂志，2021，32（2）：261-271.10.23919/jsee.2021.000023

策略	算法改进	算法分析	优化问题
DMS-PSO公司^［21］	引入动态亚群的概念，首次对PSO公司的拓扑结构进行动态变化，加强了算法的勘探能力，结构新颖可研究性强	较大计算成本，重组周期需要依据经验选择，算法偏向勘探阶段，开发能力欠缺	流水车间调度基准测试函数
二甲基亚砜-L-PSO^［22]	提出在局部使用BFGS公司	勘探能力差，多模态问题上表现差	基准测试函数
DMS-PSO-CLS系统^［23］	在DMS-PSO算法的亚群中使用竞争学习策略加快算法收敛	加强了开发能力，竞争机制复杂，计算成本高，多模态问题上表现差	基准测试函数
MSPSO公司^［24］	在DMS-PSO公司的基础上使用动态的亚群数量和重组周期，提出一种状态检测策略帮助粒子跳出局部最优	算法偏向勘探能力，开发能力欠缺，计算成本高，算法复杂，单模态问题表现差	基准测试函数
NMSPSO公司^［25］	定义了一个信息池来帮助粒子进行信息交流，使用两种不同的学习策略来保持算法的开发和勘探平衡	较小的计算成本，兼顾勘探和开发过程	基准测试函数
HCLDMS-PSO公司^［26］	对DMS-PSO公司的多亚群权重进行改进	能自适应地调整权重参数，缺少有效的亚群合并策略	基准测试函数
亚太经合组织（APSO-DEE）^［27］	提出一种解耦勘探和开发的学习结构用于平衡算法的开发和勘探能力	勘探和开发互不影响，较好地保持了算法的平衡能力	基准测试函数
AHPS公司^2［28］	中国	两个亚群间模拟自然界中的物种竞争，动态变化，算法适用性较好	基准测试函数
文献［29］策略	使用k个均值聚类划分亚群	k个均值聚类划分的亚群相比固定的亚群数目更加切实准确，k个嗅觉障碍	基准测试函数

策略	算法改进	算法分析	优化问题
DMS-PSO公司^［21］	引入动态亚群的概念，首次对PSO公司的拓扑结构进行动态变化，加强了算法的勘探能力，结构新颖可研究性强	较大计算成本，重组周期需要依据经验选择，算法偏向勘探阶段，开发能力欠缺	流水车间调度基准测试函数
二甲基亚砜-L-PSO^［22］	提出在局部使用BFGS公司	勘探能力差，多模态问题上表现差	基准测试函数
DMS-PSO-CLS系统^［23］	在DMS-PSO公司的亚群中使用竞争学习策略加快算法收敛	加强了开发能力，竞争机制复杂，计算成本高，多模态问题上表现差	基准测试函数
MSPSO公司^［24］	在DMS-PSO公司的基础上使用动态的亚群数量和重组周期，提出一种状态检测策略帮助粒子跳出局部最优	算法偏向勘探能力，开发能力欠缺，计算成本高，算法复杂，单模态问题表现差	基准测试函数
NMSPSO公司^［25］	定义了一个信息池来帮助粒子进行信息交流，使用两种不同的学习策略来保持算法的开发和勘探平衡	较小的计算成本，兼顾勘探和开发过程	基准测试函数
HCLDMS-PSO公司^［26］	对DMS-PSO公司的多亚群权重进行改进	能自适应地调整权重参数，缺少有效的亚群合并策略	基准测试函数
亚太经合组织（APSO-DEE）^［27］	提出一种解耦勘探和开发的学习结构用于平衡算法的开发和勘探能力	勘探和开发互不影响，较好地保持了算法的平衡能力	基准测试函数
AHPS公司^2［28］	在亚群中添加物竞天择的竞争机制	两个亚群间模拟自然界中的物种竞争，动态变化，算法适用性较好	基准测试函数
文献［29］策略	使用k个均值聚类划分亚群	k个均值聚类划分的亚群相比固定的亚群数目更加切实准确，k个值的选择较为困难	基准测试函数

策略	算法改进	算法分析	优化问题
MCPSO公司^［46］	首次提出应用于亚群策略的主从范式的拓扑结构	优点：计算成本低，算法的开发和勘探能力平衡缺点：缺乏亚群之间的相互合作	非线性动力系统的模糊控制器基准测试函数
萨尔姆普索^［48］	在亚群之间和亚群内部使用两种不同层次的信息交互方式	优点：加速优质信息的流通，加快算法收敛缺点：高维复杂的问题中寻优能力不足	基准测试函数
PMSO公司^［50］	引入并行机制和随机初始化策略	优点：算法的开发能力强，在多模态问题上表现优秀缺点：计算成本大	基准测试函数
PCLPSO公司^［51］	定义信息池，提出贪婪信息交换策略	计算成本小，算法寻优速度快	基准测试函数
AMCPSO公司^［52］	提出使用亚群竞争机制选择引导粒子	我很喜欢	基准测试函数
EGCSO公司^［53］	提出使用熵辅助多样性检测方法	能保持种群多样性，使EGCSO公司规则	基准测试函数
WLMS-KMTOA公司^［54］	提出双主群和弱连接多亚群结构	优点：能很好平衡算法的勘探和开发能力，有效保持种群多样性缺点：高额的算法成本无法优化高维问题	基准测试函数
MCpPSO公司^［55］	在亚群中引入一种基于中心信息的交换策略	很	基准测试函数
MSLVPSO公司^［56］	在亚群中引入Lotka-Volterra公司	优点：增加了粒子的多样性，使得MSLVPSO公司有较好的收敛精度和鲁棒性缺点：收敛慢	基准测试函数

策略	算法改进	算法分析	优化问题
MCPSO公司^［46］	首次提出应用于亚群策略的主从范式的拓扑结构	优点：计算成本低，算法的开发和勘探能力平衡缺点：缺乏亚群之间的相互合作	非线性动力系统的模糊控制器基准测试函数
萨姆普索^［48］	在亚群之间和亚群内部使用两种不同层次的信息交互方式	优点：加速优质信息的流通，加快算法收敛缺点：高维复杂的问题中寻优能力不足	基准测试函数
PMSO公司^［50］	引入并行机制和随机初始化策略	优点：算法的开发能力强，在多模态问题上表现优秀缺点：计算成本大	基准测试函数
PCLPSO公司^［51］	定义信息池，提出贪婪信息交换策略	计算成本小，算法寻优速度快	基准测试函数
AMCPSO公司^［52］	提出使用亚群竞争机制选择引导粒子	有效减缓精英引导时种群多样性快速下降的情况，能良好地处理大规模优化问题	基准测试函数
EGCSO公司^［53］	提出使用熵辅助多样性检测方法	能保持种群多样性，使EGCSO公司在大规模优化问题上有很强竞争力	基准测试函数
WLMS-KMTOA公司^［54］	提出双主群和弱连接多亚群结构	优点：能很好平衡算法的勘探和开发能力，有效保持种群多样性缺点：高额的算法成本无法优化高维问题	基准测试函数
微粒群粒子群^［55］	在亚群中引入一种基于中心信息的交换策略	能很好地保持种群多样性，勘探能力强	基准测试函数
MSLVPSO公司^［56］	中国Lotka-Volterra公司	优点：增加了粒子的多样性，使得MSLVPSO公司有较好的收敛精度和鲁棒性缺点：收敛慢	基准测试函数

[1]	王震, 张珊珊, 邬斌扬, 苏万华.基于自适应粒子群优化算法的串联复合涡轮储能优化策略[J] 。《计算机应用》唯一官方网站, 2024, 44(2): 611-618.
[2]	王波, 王浩, 杜晓昕, 郑晓东, 周薇.基于亚群和差分进化的混合蜻蜓算法[J] 。《计算机应用》唯一官方网站, 2023, 43(9): 2868-2876.
[3]	梁军, 洪泽泓, 余松森.基于改进粒子群优化算法和遗传变异的图像分割模型[J] 。《计算机应用》唯一官方网站, 2023, 43(6): 1743-1749.
[4]	高智慧, 韩萌, 刘淑娟, 李昂, 穆栋梁.基于智能优化算法的高效用项集挖掘方法综述[J] 。《计算机应用》唯一官方网站, 2023, 43(6): 1676-1686.
[5]	于振华, 刘争气, 刘颖, 郭城.基于自适应混合粒子群优化的软件缺陷预测特征选择方法[J] 。《计算机应用》唯一官方网站, 2023, 43(4): 1206-1213.
[6]	马学森, 许雪梅, 蒋功辉, 乔焰, 周天保.混合自适应粒子群工作流调度优化算法[J] 。《计算机应用》唯一官方网站, 2023, 43(2): 474-483.
[7]	柳春锋, 李峥, 王居凤.分布式工厂中微型制造单元多目标优化[J] 。《计算机应用》唯一官方网站, 2023, 43(12): 3824-3832.
[8]	朱嘉豪, 郑巍, 杨丰玉, 樊鑫, 肖鹏.基于蚁群算法优化反向传播神经网络的软件质量预测[J] 。《计算机应用》唯一官方网站, 2023, 43(11): 3568-3573.
[9]	高媛媛, 余振华, 杜方, 宋丽娟.基于贝叶斯优化的无标签网络剪枝算法[J] 。《计算机应用》唯一官方网站, 2023, 43(1): 30-36.
[10]	霞。粒子群优化算法求解最优控制点的非均匀有理B条[J] 。《计算机应用》唯一官方网站, 2022, 42(7): 2177-2183.
[11]	高兵, 郑雅, 秦静, 邹启杰, 汪祖民.基于麻雀搜索算法和改进粒子群优化算法的网络入侵检测算法[J] 。《计算机应用》唯一官方网站, 2022, 42(4): 1201-1206.
[12]	我的意思是，我的意思是，我的意思是，我的意思是，我的意思是。基于深度学习的聚类综述[J] 。《计算机应用》唯一官方网站, 2022, 42(4): 1021-1028.
[13]	聂方鑫, 王宇嘉, 贾欣.教与学信息交互粒子群优化算法[J] 。《计算机应用》唯一官方网站, 2022, 42(3): 874-882.
[14]	张京, 朱爱红.基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J] 。《计算机应用》唯一官方网站, 2022, 42(2): 599-605.
[15]	张盟, 郭健全.需求和回收不确定的闭环供应链渠道结构选择[J] 。计算机应用, 2021，41（7）：2100-2107。

智能算法的亚群优化策略综述

智能算法子群优化策略综述

RichHTML格式

PDF格式

可视化

摘要/摘要

引用本文

使用本文

图/表11

参考文献89

相关文章15

编辑推荐

韵律学