本研究论文探讨了粒子群优化算法在改进遗传算法性能方面的应用，通过结合两者优势，旨在解决复杂问题时提高寻优效率和精度。
遗传算法是一种基于自然界生物进化原理的搜索优化方法，在1975年由美国Michigan大学的J.Holland教授首次提出。该算法模拟了自然界的遗传与进化过程，并通过群体策略及个体间的基因交换来寻找问题的最佳解决方案。其主要特点在于采用选择、交叉和变异三种操作，广泛应用于组合优化、规划设计、机器学习以及人工生命等领域。
然而，在实际应用中，遗传算法存在一些局限性，例如容易陷入局部最优解且后期收敛速度较慢。这主要是由于在进化过程中种群个体趋于相似导致搜索空间集中于当前最优点附近而产生早熟现象。为解决这些问题，研究者们提出了多种改进方法如CHC算法、自适应遗传算法(AGA)、大变异算子和进化稳定策略等。尽管这些方案增加了多样性，但仍然难以完全避免随机性和盲目性带来的影响。
粒子群优化（PSO）是由Kennedy和Eberhart在1995年提出的一种群体智能搜索方法，灵感来源于鸟类或鱼类的集体运动行为。在此算法中，一群“粒子”代表可能解，在解决方案空间内飞行并根据自身的历史最佳位置以及整个群体的最佳历史位置来调整速度与方向以寻找最优解。
本研究基于PSO提出了改进后的遗传算法，旨在克服传统遗传算法存在的局限性。该方法的核心思想是利用PSO技术构建变异算子和分割种群，并通过动态调节变异的幅度及方向避免盲目性；同时将大群体划分为多个重叠的小群分别进化以维持多样性并防止早熟现象的发生。
具体来说，PSO中的粒子根据其历史最优位置以及整个群体的历史最佳解来调整速度与飞行路径，从而提高搜索效率。这种机制模拟了自然界中生物集体智慧的行为模式，并且有助于改进局部和全局的探索能力。
在三个多峰函数优化实验对比下，新的遗传算法表现出良好的种群多样性维持效果、克服早熟收敛问题的能力以及加速进化过程的优势。这些成果表明结合PSO特性的新方法不仅增强了搜索范围内的全面性而且还提高了对复杂难题处理时的表现潜力和适应度需求的满足程度。
这篇论文由来自郑州大学信息工程学院秦广军教授，东北大学软件学院王欣艳副教授及中原工学院计算机科学与技术系王文义博士联合完成。他们的研究领域包括遗传算法、信息安全以及集群计算等方向。
5星
