具有量子行为粒子群优化算法的并行化研究.pdfVIP

ComputerEngineeringandApplications计算机工程与应用 具有量子行为粒子群优化算法的并行化研究 王小根 t，奚茂龙z，须文波 WANG Xiao—gen1,XIMao-long2，XU Wen—bo。 1．江南大学 教育学院，江苏 无锡 214422 2．江南大学 信息学院，江苏 无锡 214422 1．SchoolofInformationTechnology，SouthernYangtzeUniversity，Wuxi，Jiangsu214422，China 2．SchoolofEducation．SouhternYangtzeUniversiyt，Wuxi，Jinagsu214422，China E．．mail：wxxml@hotmail．com _ WANG Xiao—gen．XIM ao-long。XU W en—bo．Parallelstudy ofquantum-behaved particleswarln algorithm．ComputerEn— gineeringandApplications．2009。45(11)：45—48． Abstract：On thebaseofqunatum—behaved particle swarm algorithm，a new parallelmethod on quantum-behaved particle swarnl algorithm isproposed by the influence ofthe implementofgeneticalgorithm．Due to htelong time forcommunication，bottleneck willappearonpraalleltests．Itamendsthecommunicationbyreducinghtecommunicationcycle．ThecomparisonofPQPSO，PEA， PSEA and PPSO basedon benchmarkfunction isgiven． Key words：parallel；particle$warlTloptimization；quna tum 摘 要：在研究了具有量子行为粒子群算法的基础上，受遗传算法并行化的启发，对具有量子行为的粒子群算法提出并实现了新 的并行化策略。针对通信时间过长的问题，提出了改进方法。最后通过benchmrak测试函数，将并行化量子粒子优化算法和二进制 遗传算法、十进制遗传算法、粒子群优化算法的并行化方法进行 了仿真比较，并对结果进行 了分析。 关键词：并行；粒子群优化算法；量子化 DOI：10．3778／j．issn．1002—8331．2009．11．014 文章编号：1002—8331(2009)1卜0045—04 文献标识码：A 中图分类号：I．P3Ol 1 引言 的2[1，粒子群算法源于对生物群体的研究，在群体中，个体 (粒 大量的NP难解问题比如：函数优化、结构优化、神经网络 子)通过搜索多维空间，在每一轮迭代中评价 自身的目标位置 训练、模糊系统控制 、模式分类、工厂布图、时序安排等问题以 信息(适应值)，在整个过程中，粒子共享它们 “最优”位置的信 及其他的应用领域中的一些NP难解问题都需要用到优化[1】， 息，然后使用它们的记忆调整它们 自己的速度和位置，不断的 在解决这些问题的过程中经常会遇到两个棘手问题 ：一是 ，大 比较和追随候选的空间解，最终发现最优解或者局部最优解。 规模的问题常常需要大量的计算 ，这样就要占用较长的时间资 在基本 PSO算法 中，粒子位置和速度分别表示为 = 源；二是，由于存在较多的局部最优解，所求的解常常会落入某 ( ， ，…，n)、=( ， ，…，)，粒子通过下列方程更替： 个局部最优解。因此，在实际应用中可以将优化算法使用在并 (抖1)= (f)+c。*rand(Pi (f)) ，*rt~td2(—置(t))(1) 行计算机中，用来