微粒群算法是一种模拟鸟群飞行、鱼群游动等生物群体社会行为的群体随机优化算法,由于它结构简单、运算速度较快,已广泛应用于许多领域。论文从智能体(Agent)观点出发,提出了个性化微粒群算法框架,并将其应用于参数选择及结构优化。标准微粒群算法仅利用了微粒的记忆性,没有考虑微粒的其它特性。这一局限使得微粒群算法与其生物学背景之间存在较大差异,从而影响了算法的计算效率。有鉴于此,论文将算法中的微粒视为具有记忆能力、通讯能力、响应能力、协作能力及自学习能力的智能体(Agent)粒子,提出了个性化微粒群算法框架。该算法在标准微粒群算法的基础上,利用多智能体之间的相互竞争、相互协作,使微粒能更好地适应周围环境,从而更加符合算法的生物学背景。参数选择是微粒群算法研究的一个重要内容,与已有的参数选择策略不同,个性化的参数选择策略需要充分利用各微粒的通讯、响应、协作及自学习能力,从而导致不同微粒在同一代中参数具有不同的值。论文以各微粒对环境适应能力的优劣为基础,提出了线性化的性能评价指标作为微粒的自学习能力,并根据协作能力动态调整全局搜索能力与局部搜索能力之间的比例。基于该思想,论文成功提出了惯性权重、认知系数及社会系数的个性化选择策略,仿真结果表明这些策略能有效地提高算法的计算效率。对于微粒群算法的另一个重要研究内容—结构优化,论文根据较优位置附近存在全局极值点的概率较大这一原则,初步探讨了个性化的微粒群算法结构实现方式。由于个性化惯性权重策略具有较高的选择压,容易陷入局部极值点。因此,论文引入一种特殊的结构以限制局部搜索能力,强化其全局搜索能力,从而有效地避免了过早收敛现象的发生。然而,该策略的全局搜索性能仍然较弱,为此,论文进一步提出了一种发散的进化方式。仿真结果表明该算法能有效提高种群多样性。