随机漂移粒子群优化算法的研究与应用

本项目以粒子群优化算法的个体学习与社会学习等智能优化机制为基础，结合金属导体中自由电子的定向漂移运动和无规则随机热运动方式，模拟粒子的局部搜索和全局搜索行为，并通过设计粒子间的协同搜索方式和算法参数的控制方式，创新性的提出具有全局收敛能力的随机漂移粒子群优化(random drift PSO, RDPSO)算法。在对RDPSO算法作性能测试的基础上，应用概率分析、随机过程等方法研究单个粒子的行为、算法的收敛性以及计算复杂性等理论基础，以建立RDPSO 算法的理论体系。最终将研究基于RDPSO算法的无线传感网络覆盖优化问题，为该问题提供有效的全局优化方法。本项目从算法的创新设计、理论分析及应用三个角度对RDPSO算法所作的系统性研究成果将为本算法的进一步发展奠定坚实的基础。

本项目的研究目标是提出具有全局搜索能力的随机漂移粒子群优化（Random Drift Particle Swarm Optimization， RDPSO）算法，并研究粒子无规则随机热运动的速度表达形式，分析其各种可能的概率分布，从而提出多种可供选择的粒子速度更新基本方程，进而研究RDPSO算法的参数控制方法、性能改进方法以及在实际应用问题中的优化性能。本项目从算法的创新设计、性能改进及应用等三个角度对RDPSO算法作了系统性研究。本项目在执行期间共发表学术论文10篇，其中期刊论文8篇，会议论文2篇，SCI收录6篇（单篇最高影响因子达8.875），SCI收录源刊2篇，EI收录2篇。获科研奖励5项。申请发明专利3项。目前培养在读硕士研究生7人。项目组负责人参加国际学术会议4次，组织国际期刊Special Issue 1次。本项目研究成果的主要内容如下。.1. 算法的创新性设计研究。本项目以粒子群优化算法的个体学习与社会学习机制为设计基础，将粒子的局部搜索与全局搜索模拟为金属导体中自由电子的定向漂移运动与无规则随机热运动，提出了RDPSO算法。.2. 算法的性能改进方法研究。研究了无规则随机热运动的速度方程的两种表达形式，即麦克斯韦速度分布律与双指数分布形式，并以此推导了粒子速度的两种更新方程。研究了RDPSO算法中控制参数的不同取值策略，包括线性递减策略、非线性递减策略（凹形/凸形抛物线递减、梯形递减）、固定取值策略等三种。研究了基于欧拉距离的群体多样性信息保持的方法，以增强算法跳出局部收敛的能力从而提高算法的全局搜索能力。.3. 算法的应用研究。研究了RDPSO算法在生化系统反问题求解、基于概率的隐马尔科夫模型的多序列比对、电力系统调度等问题中的应用。研究了QPSO算法在图像增强、自适应神经模糊推理系统模型训练、网络服务质量控制等问题中应用。.4. 无线传感器网络覆盖的优化算法研究。提出了一种基于泰森盲区多边形形心的覆盖控制部署策略(Blind-zone Centroid-based Scheme, BCBS)来提高网络覆盖率。研究了无线传感器网络覆盖过程中传感器节点的重叠处理方法、圆心约束处理方法，并通过微分进化(Differential Evolution, DE)算法的进化机制进行优化来提高覆盖率。