多模态粒子群优化算法研究

多模态函数优化问题具有鲜明的实际背景和广泛的应用价值，其解法要求搜索到多个全局最优解或多个有意义的局部最优解, 为决策者提供多种选择或者多方面的信息。但现有的多模态优化算法存在小生境参数需要人为设定，缺乏统一理论指导，搜索能力不强等缺点，只能处理小规模的多模态函数优化问题。本项目以粒子群优化算法为依托，引入强化学习技术，在算法优化搜索过程中动态地完成群拓扑结构的自学习和小生境参数的自调节，建立起群内的局部信息共享模型，形成多模极值跟踪机制，最终生成可以处理复杂多模函数优化问题的多模态粒子群优化算法。并从算法设计、理论证明、复杂性分析、性能指标、综合测试多个方面进行研究，形成多模态粒子群优化算法的理论和方法体系，以促进该方向的研究与发展。本项目是粒子群优化算法领域一个重要的基础性研究课题，具有重要的学术价值和有极大的应用价值。