基于GPU的现代并行优化算法

针对现代优化算法在处理相对复杂问题中所面临的求解时间复杂度较高的问题,引入基于GPU的并行处理解决方法。首先从宏观角度阐释了基于计算统一设备架构CUDA的并行编程模型,然后在GPU环境下给出了基于CUDA架构的5种典型现代优化算法(模拟退火算法、禁忌搜索算法、遗传算法、粒子群算法以及人工神经网络)的并行实现过程。通过对比分析在不同环境下测试的实验案例统计结果,指出基于GPU的单指令多线程并行优化策略的优势及其未来发展趋势。     

基于随机维度划分与学习的粒子群优化算法

针对粒子群优化算法在搜索过程存在的种群多样性低和过早收敛问题,提出基于随机维度划分与学习的新型粒子群优化算法（RVPLO）.该算法将每个粒子的维度随机划分为多个不同的子段,每个子段随机分配一种学习算子（中心学习算子或离散学习算子）,通过学习算子实现对各子段内的维度数值更新操作.中心学习算子用以加强粒子的全局搜索能力,离散学习算子用以加强粒子的局部搜索能力.粒子维度划分策略实现了将高维优化问题转化为低维优化问题,降低了优化问题求解的难度.粒子随机维度划分和算子随机分配的双重动态调节机制使得算法具备求解复杂单峰函数,多峰函数优化问题的能力.实验测试结果及显著性统计结果表明,RVPLO算法同其他8个经典改进算法相比,在单峰函数,多峰等函数优化中具有收敛速度快,求解精度高的优势.     

基于协同变异与莱维飞行策略的教与学优化算法及其应用

针对教与学优化（TLBO）算法在处理优化问题时存在搜索不均衡、易陷入局部最优、综合求解性能弱等缺陷，提出一种基于均衡优化与莱维飞行策略的改进教与学优化算法ELMTLBO。首先设计精英均衡引导策略，通过种群中多个精英个体的均衡引导提高算法的全局寻优能力；其次在TLBO算法的学习者阶段后，利用自适应权重策略对莱维飞行产生的步长进行自适应缩量，以提高种群局部寻优能力，增强个体对复杂环境的自适应性；最后设计了变异算子池逃逸策略，通过多个变异算子的协同引导，提升算法的种群多样性。为验证算法改进的有效性，将EMLTLBO算法与侏儒猫鼬优化算法（DMOA）等先进的智能优化算法以及平衡教与学优化（BTLBO）算法、标准TLBO等同类型算法在15个国际测试函数上进行综合收敛性能比较。统计实验结果表明，与先进的智能优化算法和TLBO算法变体相比，ELMTLBO算法能够有效平衡其搜索能力，不但有效求解单峰和多峰问题，而且在复杂多峰问题上仍有显著的寻优能力。在不同策略的共同作用下，ELMTLBO算法的综合优化性能突出，全局收敛性能较为稳定。此外，ELMTLBO算法成功应用于基于隐马尔可夫模型（HMM）的多序列...