Survey of subgroup optimization strategies for intelligent algorithms

doi:10.11772/j.issn.1001-9081.2023030380

Journal of Computer Applications ›› 2024, Vol. 44 ›› Issue (3): 819-830.DOI: 10.11772/j.issn.1001-9081.2023030380

• Advanced computing • Previous Articles Next Articles

Survey of subgroup optimization strategies for intelligent algorithms

Xiaoxin DU(), Wei ZHOU, Hao WANG, Tianru HAO, Zhenfei WANG, Mei JIN, Jianfei ZHANG

School of Computer and Control Engineering，Qiqihar University，Qiqihar Heilongjiang 161006，China

Received:2023-04-11 Revised:2023-06-06 Accepted:2023-06-08 Online:2023-07-12 Published:2024-03-10
Contact: Xiaoxin DU
About author:ZHOU Wei， born in 1999， M. S. candidate. Her research interests include swarm intelligent optimization algorithm.
WANG Hao， born in 1996， M. S. candidate. His research interests include swarm intelligent optimization algorithm.
HAO Tianru， born in 1998， M. S. candidate. Her research interests include swarm intelligent optimization algorithm.
WANG Zhenfei， born in 1999， M. S. candidate. His research interests include swarm intelligent optimization algorithm.
JIN Mei， born in 1977， M. S.， lecturer. Her research interests include database， data analysis.
ZHANG Jianfei， born in 1974， Ph. D.， professor. His research interests include deep learning.
Supported by:
Natural Science Young Innovative Talent Project in Basic Scientific Research Funds for Colleges and Universities of Heilongjiang Province(145209206)

智能算法的亚群优化策略综述

杜晓昕(), 周薇, 王浩, 郝田茹, 王振飞, 金梅, 张剑飞

齐齐哈尔大学计算机与控制工程学院，黑龙江齐齐哈尔 161006

通讯作者: 杜晓昕
作者简介:周薇（1999—），女，河北保定人，硕士研究生，主要研究方向：群智能优化算法
王浩（1996—），男，河南商丘人，硕士研究生，主要研究方向：智能优化算法
郝田茹（1998—），女，山西吕梁人，硕士研究生，主要研究方向：群智能优化算法
王振飞（1999—），男，山东潍坊人，硕士研究生，主要研究方向：群智能优化算法
金梅（1977—），女，辽宁鞍山人，讲师，硕士，主要研究方向：数据库、数据分析
张剑飞（1974—），男，黑龙江齐齐哈尔人，教授，博士，主要研究方向：深度学习。
基金资助:
黑龙江省省属高等学校基本科研业务费自然科学类青年创新人才项目(145209206)

Abstract

Abstract:

The optimization of swarm intelligence algorithms is a main way to improve swarm intelligence algorithms. As the swarm intelligence algorithms are more and more widely used in all kinds of model optimization， production scheduling， path planning and other problems， the demand for performance of intelligent algorithms is also getting higher and higher. As an important means to optimize swarm intelligence algorithms， subgroup strategies can balance the global exploration ability and local exploitation ability flexibly， and has become one of the research hotspots of swarm intelligence algorithms. In order to promote the development and application of subgroup strategies， the dynamic subgroup strategy， the subgroup strategy based on master-slave paradigm， and the subgroup strategy based on network structure were investigated in detail. The structural characteristics， improvement methods and application scenarios of various subgroup strategies were expounded. Finally， the current problems and the future research trends and development directions of the subgroup strategies were summarized.

Key words: Particle Swarm Optimization (PSO) algorithm, swarm intelligence algorithm, dynamic subgroup strategy, master-slave paradigm, network structure

摘要：

群智能算法的优化是提升群智能算法性能的一个主要途径，随着群智能算法越来越广泛地运用到各类模型优化、生产调度、路径规划等问题中，对智能算法性能的要求也越来越高。亚群策略作为一种优化群智能算法的重要手段，能够灵活地平衡算法的全局勘探能力和局部开发能力，已经成为群智能算法的研究热点之一。为了促进亚群优化策略的发展和应用，对动态亚群策略、基于主从范式的亚群策略和基于网络结构的亚群策略进行了详细调查，阐述了各类亚群策略的结构特点、改进方式和应用场景。最后，总结了亚群策略目前存在的问题以及未来的研究趋势和发展方向。

关键词: 粒子群优化算法, 群智能算法, 动态亚群策略, 主从范式, 网络结构

CLC Number:

TP301.6

Xiaoxin DU, Wei ZHOU, Hao WANG, Tianru HAO, Zhenfei WANG, Mei JIN, Jianfei ZHANG. Survey of subgroup optimization strategies for intelligent algorithms[J]. Journal of Computer Applications, 2024, 44(3): 819-830.

杜晓昕, 周薇, 王浩, 郝田茹, 王振飞, 金梅, 张剑飞. 智能算法的亚群优化策略综述[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 819-830.

Figures/Tables 11

References 89

1	KENNEDY J， EBERHART R. Particle swarm optimization［C］// Proceedings of the 1995 International Conference on Neural Networks. Piscataway： IEEE， 1995， 4： 1942-1948. 10.1109/ICNN.1995.488968
2	KARABOGA D， BASTURK B. On the performance of artificial bee colony （ABC） algorithm ［J］. Applied Soft Computing， 2008， 8（1）： 687-697. 10.1016/j.asoc.2007.05.007
3	YANG X-S. Firefly algorithms for multimodal optimization ［C］// Proceedings of the 5th International Symposium on Stochastic Algorithms： Foundations and Applications. Berlin： Springer， 2009： 169-178. 10.1007/978-3-642-04944-6_14
4	CHANDRASEKARAN K， SIMON S P. Multi-objective scheduling problem： hybrid approach using fuzzy assisted cuckoo search algorithm ［J］. Swarm and Evolutionary Computation， 2012， 5： 1-16. 10.1016/j.swevo.2012.01.001
5	PAN W-T. A new fruit fly optimization algorithm： taking the financial distress model as an example ［J］. Knowledge-Based Systems， 2012， 26：69-74. 10.1016/j.knosys.2011.07.001
6	DUMAN E， UYSAL M， ALKAYA A F. Migrating birds optimization： a new metaheuristic approach and its performance on quadratic assignment problem ［J］. Information Sciences， 2012， 217： 65-77. 10.1016/j.ins.2012.06.032
7	MENG X-B， GAO X Z， LU L， et al. A new bio-inspired optimisation algorithm： bird swarm algorithm ［J］. Journal of Experimental & Theoretical Artificial Intelligence， 2016， 28（4）： 673-687. 10.1080/0952813x.2015.1042530
8	WANG G G， DEB S， COELHO L. Elephant herding optimization［C］// Proceedings of the 3rd International Symposium on Computational and Business Intelligence. Piscataway： IEEE， 2015： 1-5. 10.1109/iscbi.2015.8
9	SAREMI S， MIRJALILI S， LEWIS A. Grasshopper optimisation algorithm： theory and application ［J］. Advances in Engineering Software， 2017， 105：30-47. 10.1016/j.advengsoft.2017.01.004
10	FARAMARZI A， HEIDARINEJAD M， MIRJALILI S， et al. Marine predators algorithm： a nature-inspired metaheuristic ［J］. Expert Systems with Applications， 2020， 152：113377. 10.1016/j.eswa.2020.113377
11	MIRJALILI S， MIRJALILI S M， HATAMLOU A. Multi-verse optimizer： a nature-inspired algorithm for global optimization ［J］. Neural Computing and Applications， 2015， 27：495-513. 10.1007/s00521-015-1870-7
12	SINDHU R， NGADIRAN R， YACOB Y M， et al. Sine-cosine algorithm for feature selection with elitism strategy and new updating mechanism ［J］. Neural Computing and Applications， 2017， 28： 2947-2958. 10.1007/s00521-017-2837-7
13	KAVEH A， DADRAS A. A novel meta-heuristic optimization algorithm： thermal exchange optimization ［J］. Advances in Engineering Software， 2017， 110（C）： 69-84. 10.1016/j.advengsoft.2017.03.014
14	FARAMARZI A， HEIDARINEJAD M， STEPHENS B E， et al. Equilibrium optimizer： a novel optimization algorithm ［J］. Knowledge-Based Systems， 2020， 191： 105190. 10.1016/j.knosys.2019.105190
15	GOLDBERG D. Genetic Algorithms in Search， Optimization and Machine Learning ［M］. Boston： Addison-Wesley Longman， 1989： 25-29. 10.5860/choice.27-0936
16	STORN R， PRICE K. Differential evolution — a simple and efficient heuristic for global optimization over continuous spaces［J］. Journal of Global Optimization， 1997， 11： 341-359. 10.1023/a:1008202821328
17	OMRAN M G H， MAHDAVI M. Global-best harmony search ［J］. Applied Mathematics and Computation， 2008， 198（2）：643-656. 10.1016/j.amc.2007.09.004
18	PASSINO K M. Biomimicry of bacterial foraging for distributed optimization and control ［J］. IEEE Control Systems Magazine， 2020， 22（3）：52-67.
19	BLACKWELL T， BRANKE J. Multi-swarm optimization in dynamic environments ［C］// Proceedings of the 2004 Workshops on Applications of Evolutionary Computation. Berlin： Springer， 2004：489-500. 10.1007/978-3-540-24653-4_50
20	LIANG J J， SUGANTHAN P N. Dynamic multi-swarm particle swarm optimizer ［C］// Proceedings of the 2005 IEEE Swarm Intelligence Symposium. Piscataway： IEEE， 2005：124-129.
21	LIANG J J， PAN Q-K， CHEN T， et al. Solving the blocking flow shop scheduling problem by a dynamic multi-swarm particle swarm optimizer ［J］. International Journal of Advanced Manufacturing Technology， 2011， 55：755-762. 10.1007/s00170-010-3111-7
22	ZHAO S Z， LIANG J J， SUGANTHAN P N， et al. Dynamic multi-swarm particle swarm optimizer with local search for large scale global optimization ［C］// Proceedings of the 2008 IEEE Congress on Evolutionary Computation （IEEE World Congress on Computational Intelligence）. Piscataway： IEEE， 2008：3845-3852. 10.1109/cec.2008.4631320
23	XU X， TANG Y， LI J， et al. Dynamic multi-swarm particle swarm optimizer with cooperative learning strategy ［J］. Applied Soft Computing， 2015， 29（C）：169-183. 10.1016/j.asoc.2014.12.026
24	XIA X， GUI L， ZHAN Z-H. A multi-swarm particle swarm optimization algorithm based on dynamical topology and purposeful detecting ［J］. Applied Soft Computing， 2018， 67：126-140. 10.1016/j.asoc.2018.02.042
25	XIONG H， QIU B， LIU J. An improved multi-swarm particle swarm optimizer for optimizing the electric field distribution of multichannel transcranial magnetic stimulation ［J］. Artificial Intelligence in Medicine， 2020， 104： 101790. 10.1016/j.artmed.2020.101790
26	WANG S， LIU G， GAO M， et al. Heterogeneous comprehensive learning and dynamic multi-swarm particle swarm optimizer with two mutation operators ［J］. Information Sciences， 2020， 540： 175-200. 10.1016/j.ins.2020.06.027
27	LI D， GUO W， LERCH A， et al. An adaptive particle swarm optimizer with decoupled exploration and exploitation for large scale optimization ［J］. Swarm and Evolutionary Computation， 2021， 60：100789. 10.1016/j.swevo.2020.100789
28	CHU X， HU M， WU T， et al. AHPS2： an optimizer using adaptive heterogeneous particle swarms ［J］. Information Sciences， 2014， 280：26-52. 10.1016/j.ins.2014.04.043
29	刘道华，胡秀云，赵岩松，等. 一种动态分群带熵权的粒子群优化方法［J］. 西安电子科技大学学报（自然科学版）， 2018， 45（6）：69-74.
	LIU D H， HU X Y， ZHAO Y S， et al. Particle swarm optimization method based on dynamic sub-swarms with entropy weight ［J］. Journal of Xidian University （Natural Science）， 2018， 45（6）：69-74.
30	WU D， WANG G G. Employing reinforcement learning to enhance particle swarm optimization methods ［J］. Engineering Optimization， 2022， 54（2）： 329-348. 10.1080/0305215x.2020.1867120
31	VERMA P， PAROUHA R P. An advanced hybrid algorithm for engineering design optimization ［J］. Neural Processing Letters， 2021， 53： 3693-3733. 10.1007/s11063-021-10541-7
32	ZHAO S-Z， SUGANTHAN P N， PAN Q-K， et al. Dynamic multi-swarm particle swarm optimizer with sub- regional harmony search［J］. Expert Systems with Applications， 2011， 38（4）： 3735-3742. 10.1016/j.eswa.2010.09.032
33	CHEN Y， LI L， PENG H， et al. Dynamic multi-swarm differential learning particle swarm optimizer ［J］. Swarm and Evolutionary Computation， 2017， 39： 209-221. 10.1016/j.swevo.2017.10.004
34	REVATHI M， JEYA I J S， DEEPA S N. Deep learning-based soft computing model for image classification application ［J］. Soft Computing， 2020， 24： 18411-18430. 10.1007/s00500-020-05048-7
35	ASGHARI K， MASDARI M， GHAREHCHOPOGH F S， et al. Multi-swarm and chaotic whale-particle swarm optimization algorithm with a selection method based on roulette wheel ［J］. Expert Systems， 2021， 38（8）： e12779. 10.1111/exsy.12779
36	LIANG J J， CHAN C C. HUANG V L，et al. Improving the performance of a FBG sensor network using a novel dynamic multi-swarm particle swarm optimizer ［C/OL］// Proceedings of SPIE 5998， Sensor for Harsh Environments Ⅱ ［2023-03-01］. .
37	HU B， SUN J， DING L， et al. Dynamic equivalent modeling for small and medium hydropower generator group based on measurements ［J］. Energies， 2016， 9（5）：362. 10.3390/en9050362
38	GUO G， HACKNEY D， PANKOW M， et al. Interrogation of a spectral profile division multiplexed FBG sensor network using a modified particle swarm optimization method ［J］. Measurement Science & Technology， 2017， 28（5）：055204. 10.1088/1361-6501/aa637f
39	GARCÍA-NIETO J， ALBA E. Parallel multi-swarm optimizer for gene selection in DNA microarrays ［J］. Applied Intelligence， 2012， 37： 255-266. 10.1007/s10489-011-0325-9
40	SONG L， SHI J， PAN A， et al. A dynamic multi-swarm particle swarm optimizer for multi-objective optimization of machining operations considering efficiency and energy consumption ［J］. Energies， 2020， 13（10）： 2616. 10.3390/en13102616
41	LIU H， GU F， LIN Z. Auto-sharing parameters for transfer learning based on multi-objective optimization ［J］. Integrated Computer-Aided Engineering， 2021， 28（3）： 295-307. 10.3233/ica-210655
42	BI L， CAO W， HU W， et al. Intelligent tuning of microwave cavity filters using granular multi-swarm particle swarm optimization ［J］. IEEE Transactions on Industrial Electronics， 2021， 68（12）： 12901-12911. 10.1109/tie.2020.3040658
43	YOUSRI D， HASANIEN H M， FATHY A. Parameters identification of solid oxide fuel cell for static and dynamic simulation using comprehensive learning dynamic multi-swarm marine predators algorithm ［J］. Energy Conversion and Management， 2021， 228： 113692. 10.1016/j.enconman.2020.113692
44	ZHANG J， XIA K， HE Z， et al. Dynamic multi-swarm differential learning quantum bird swarm algorithm and its application in random forest classification model ［J］. Computational Intelligence and Neuroscience， 2020， 2020： 6858541. 10.1155/2020/6858541
45	YIN S， LUO Q， ZHOU Y. IBMSMA： an indicator-based multi-swarm slime mould algorithm for multi-objective truss optimization problems ［J］. Journal of Bionic Engineering， 2022， 20： 1333-1360. 10.1007/s42235-022-00307-9
46	NIU B， ZHU Y， HE X， et al. MCPSO： a multi-swarm cooperative particle swarm optimizer ［J］. Applied Mathematics and Computation， 2007， 185（2）： 1050-1062. 10.1016/j.amc.2006.07.026
47	NIU B， ZHU Y， HE X， et al. A multi-swarm optimizer based fuzzy modeling approach for dynamic systems processing ［J］. Neurocomputing， 2008， 71（7/8/9）： 1436-1448. 10.1016/j.neucom.2007.05.010
48	NIU B， HUANG H， TAN L， et al. Symbiosis-based alternative learning multi-swarm particle swarm optimization ［J］. IEEE/ACM Transactions on Computational Biology and Bioinformatics， 2017， 14（1）： 4-14. 10.1109/tcbb.2015.2459690
49	李静，张仁崇，潘春燕，等.单目标概率约束规划的微种群免疫优化算法［J］.北京航空航天大学学报， 2023， 49（3）： 525-537.
	LI J， ZHANG R C， PAN C Y， et al. Micro immune optimization algorithm for single objective probabilistic constrained programming ［J］.Journal of Beijing University of Aeronautics and Astronautics， 2023， 49（3）： 525-537.
50	FAN S-K S， CHANG J-M. Dynamic multi-swarm particle swarm optimizer using parallel PC cluster systems for global optimization of large-scale multimodal functions ［J］. Engineering Optimization， 2010， 42（5）： 431-451. 10.1080/03052150903247736
51	GÜLCÜ Ş， KODAZ H. A novel parallel multi-swarm algorithm based on comprehensive learning particle swarm optimization ［J］. Engineering Applications of Artificial Intelligence， 2015， 45：33-45. 10.1016/j.engappai.2015.06.013
52	KONG F， JIANG J， HUANG Y. An adaptive multi-swarm competition particle swarm optimizer for large-scale optimization［J］. Mathematics， 2019， 7（6）： 521. 10.3390/math7060521
53	LI W， GUO W， LI Y， et al. Multi-swarm competitive swarm optimizer for large-scale optimization by entropy-assisted diversity measurement and management ［J］. Concurrency and Computation： Practice and Experience， 2021， 33（9）： e6216. 10.1002/cpe.6126
54	范朝冬，刘颖南，章兢，等. 弱连接多子群分子动理论优化算法［J］. 控制理论与应用， 2019， 36（1）：108-119. 10.7641/CTA.2018.70714
	FAN C D， LIU Y N， ZHANG J， et al. A weak linked multi-subpopulation kinetic-molecular theory optimization theory ［J］. Control Theory & Applications， 2019， 36（1）： 108-119. 10.7641/CTA.2018.70714
55	ZHAO X， LIU Z， YANG X. A multi-swarm cooperative multistage perturbation guiding particle swarm optimizer ［J］. Applied Soft Computing archive 2014， 22： 77-93. 10.1016/j.asoc.2014.04.042
56	WU X， SUN M， XIAO C， et al. Empirical study of particle swarm optimization inspired by Lotka-Volterra model in Ecology ［J］. Soft Computing， 2018， 23（11）： 5571-5582. 10.1007/s00500-018-3215-9
57	ZHANG Y， GONG D-W， DING Z-H. Handling multi-objective optimization problems with a multi-swarm cooperative particle swarm optimizer ［J］. Expert Systems with Applications， 2011， 38（11）：13933-13941.
58	NICKABADI A， EBADZADEH M M， SAFABAKHSH R. A competitive clustering particle swarm optimizer for dynamic optimization problems ［J］. Swarm Intelligence， 2012， 6：177-206. 10.1007/s11721-012-0069-0
59	LI C， YANG S， YANG M. An adaptive multi-swarm optimizer for dynamic optimization problems ［J］. Evolutionary Computation， 2014， 22（4）：559-594. 10.1162/evco_a_00117
60	UFNALSKI B， GRZESIAK L M. Plug-in direct particle swarm repetitive controller with a reduced dimensionality of a fitness landscape — a multi-swarm approach ［J］. Bulletin of the Polish Academy of Sciences Technical Sciences， 2015， 63（4）： 857-866. 10.1515/bpasts-2015-0098
61	LIU R， LI J， FAN J， et al. A coevolutionary technique based on multi-swarm particle swarm optimization for dynamic multi-objective optimization ［J］. European Journal of Operational Research， 2017， 261（3）： 1028-1051. 10.1016/j.ejor.2017.03.048
62	QIN J， HUANG C， LUO Y. Adaptive multi-swarm in dynamic environments ［J］. Swarm and Evolutionary Computation， 2021， 63： 100870. 10.1016/j.swevo.2021.100870
63	GAO L， PAN Q-K. A shuffled multi-swarm micro-migrating birds optimizer for a multi-resource-constrained flexible job shop scheduling problem ［J］. Information Sciences， 2016， 372：655-676. 10.1016/j.ins.2016.08.046
64	王坚浩，张亮，史超，等. 基于入侵杂草蝙蝠双子群优化的装备保障编组协同任务规划［J］. 控制与决策， 2019， 34（7）：1375-1384.
	WANG J H， ZHANG L， SHI C， et al. Cooperative task scheduling for equipment support groups using invasive weed bat dual-subgroup optimization algorithm ［J］. Control and Decision， 2019， 34（7）： 1375-1384.
65	CHEN H， HEIDARI A A， ZHAO X， et al. Advanced orthogonal learning-driven multi-swarm sine cosine optimization ［J］. Expert Systems with Applications， 2020， 144： 113113. 10.1016/j.eswa.2019.113113
66	WANG M， CHEN H. Chaotic multi-swarm whale optimizer boosted support vector machine for medical diagnosis ［J］. Applied Soft Computing， 2019， 88： 105946. 10.1016/j.asoc.2019.105946
67	CHEN H， LI S， HEIDARI A A， et al. Efficient multi-population outpost fruit fly-driven optimizers： framework and advances in support vector machines ［J］. Expert Systems with Applications， 2020， 142： 112999. 10.1016/j.eswa.2019.112999
68	CHEN H， ZHU Y， HU K. Discrete and continuous optimization based on multi-swarm coevolution ［J］. Natural Computing， 2010， 9： 659-682. 10.1007/s11047-009-9174-4
69	SASAKI T， NAKANO H， MIYAUCHI A， et al. Improvement of the solving performance by the networking of particle swarm optimization ［J］. IEICE Transactions on Fundamentals of Electronics， Communications and Computer Sciences， 2015， 98 （8）： 1777-1786. 10.1587/transfun.e98.a.1777
70	SASAKI T， NAKANO H， MIYAUCHI A， et al. Particle swarm optimizer networks with stochastic connection for improvement of diversity search ability to solve multimodal optimization problems［J］. IEICE Transactions on Fundamentals of Electronics， Communications and Computer Sciences， 2017， 100（4）： 996-1007. 10.1587/transfun.e100.a.996
71	CHEN H， ZHU Y， HU K， et al. RFID network planning using a multi-swarm optimizer ［J］. Journal of Network & Computer Applications， 2011， 34（3）： 888-901. 10.1016/j.jnca.2010.04.004
72	CHEN H-N， ZHU Y-L. A discrete multi-swarm optimizer for radio frequency identification network scheduling ［J］. Journal of Central South University， 2014， 21： 199-212. 10.1007/s11771-014-1931-6
73	LIN N， CHEN H， JING S， et al. Biomimicry of symbiotic multi-species coevolution for discrete and continuous optimization in RFID networks ［J］. Saudi Journal of Biological Sciences， 2017， 24（3）： 610-621. 10.1016/j.sjbs.2017.01.033
74	J-J SHIN， BANG H. UAV Path planning under dynamic threats using an improved PSO algorithm ［J］. International Journal of Aerospace Engineering， 2020， 2020： 8820284. 10.1155/2020/8820284
75	刘小龙，梁彤缨.基于方形邻域和随机数组的哈里斯鹰优化算法［J］.控制与决策， 2022， 37（10）： 2467-2476.
	LIU X L， LIANG T Y. Harris hawk optimization algorithm based on square neighborhood and random array ［J］. Control and Decision， 2022， 37（10）： 2467-2476.
76	韩敏，张丽君. 基于多样性检测的双子群多目标粒子群算法［J］. 控制与决策， 2017， 32（12）： 2268-2272.
	HAN M， ZHANG L J. Bi-group multi-objective particle swarm optimization algorithm based on diversity metric ［J］. Control and Decision， 2017， 32（12）： 2268-2272.
77	陈忠云，张达敏，辛梓芸.多子群的共生非均匀高斯变异樽海鞘群算法［J］.自动化学报， 2022， 48（5）： 1307-1317.
	CHEN Z Y， ZHANG D M， XIN Z Y. Multi-subpopulation based symbiosis non-uniform Gaussian mutation salp group algorithm ［J］. Acta Automatica Sinica， 2022， 48（5）： 1307-1317.
78	DWIVEDI S. Detecting anonymous attacks in wireless communication medium using adaptive grasshopper optimization algorithm ［J］. Cognitive Systems Research， 2021， 69： 1-21. 10.1016/j.cogsys.2021.04.003
79	BELKHIRI Y， KAMEL N， DRIAS H. An efficient multi-swarm elephant herding optimization for solving community detection problem in complex environment ［J］. Concurrency and Computation： Practice and Experience， 2021， 34（1）： e6590. 10.1002/cpe.6590
80	张强，李盼池. 自适应分组差分萤火虫算法求解连续空间优化问题［J］. 控制与决策， 2017， 32（7）： 1217-1222.
	ZHANG Q， LI P C. Adaptive grouping difference firefly algorithm for continuous space optimization problems ［J］. Control and Decision， 2017， 32（7）： 1217-1222.
81	HSU H-P. Printed circuit board assembly planning for multi-head gantry SMT machine using multi-swarm and discrete firefly algorithm ［J］. IEEE Access， 2021， 9： 1642-1654. 10.1109/access.2020.3046495
82	LI J， XIAO D-D， ZHANG T， et al. Multi-swarm cuckoo search algorithm with Q-learning model ［J］. The Computer Journal， 2019， 64（1）： 108-131.
83	王友卫，凤丽洲. 基于双子群和分区采样的果蝇优化新算法［J］. 浙江大学学报（工学版）， 2017， 51（11）： 2292-2298.
	WANG Y W， FENG L Z. Novel double subgroups and partiton sampling based fruit fly optimization algorithm ［J］. Journal of Zhejiang University （Engineering Science）， 2017， 51（11）：2292-2298.
84	LUO R， ZHENG H， GUO J. Solving the multi-functional heterogeneous UAV cooperative mission planning problem using multi-swarm fruit fly optimization algorithm ［J］. Sensors， 2020， 20（18）： 5026. 10.3390/s20185026
85	ZHAO X， FANG Y， MA S， et al. Multi-swarm improved moth-flame optimization algorithm with chaotic grouping and Gaussian mutation for solving engineering optimization problems ［J］. Expert Systems with Applications， 2022， 204： 117562. 10.1016/j.eswa.2022.117562
86	SUN L， SUN W， LIANG X， et al. A modified surrogate-assisted multi-swarm artificial bee colony for complex numerical optimization problems ［J］. Microprocessors and Microsystems， 2020， 76： 103050. 10.1016/j.micpro.2020.103050
87	MA S， FANG Y， ZHAO X， et al. Multi-swarm improved grey wolf optimizer with double adaptive weights and dimension learning for global optimization problems ［J］. Mathematics and Computers in Simulation， 2023， 205： 619-641. 10.1016/j.matcom.2022.10.007
88	NIU B， XUE B， ZHOU T， et al. Aviation maintenance technician scheduling with personnel satisfaction based on interactive multi-swarm bacterial foraging optimization ［J］. International Journal of Intelligent Systems， 2022， 37（1）： 723-747. 10.1002/int.22645
89	WANG C， LI Y， LI X. Solving flexible job shop scheduling problem by a multi-swarm collaborative genetic algorithm ［J］. Journal of Systems Engineering and Electronics， 2021， 32（2）：261-271. 10.23919/jsee.2021.000023

策略	算法改进	算法分析	优化问题
DMS-PSO^［21］	引入动态亚群的概念，首次对PSO的拓扑结构进行动态变化，加强了算法的勘探能力，结构新颖可研究性强	较大计算成本，重组周期需要依据经验选择，算法偏向勘探阶段，开发能力欠缺	流水车间调度基准测试函数
DMS-L-PSO^［22］	提出在局部使用BFGS加快算法收敛	勘探能力差，多模态问题上表现差	基准测试函数
DMS-PSO-CLS^［23］	在DMS-PSO的亚群中使用竞争学习策略加快算法收敛	加强了开发能力，竞争机制复杂，计算成本高，多模态问题上表现差	基准测试函数
MSPSO^［24］	在DMS-PSO的基础上使用动态的亚群数量和重组周期，提出一种状态检测策略帮助粒子跳出局部最优	算法偏向勘探能力，开发能力欠缺，计算成本高，算法复杂，单模态问题表现差	基准测试函数
NMSPSO^［25］	定义了一个信息池来帮助粒子进行信息交流，使用两种不同的学习策略来保持算法的开发和勘探平衡	较小的计算成本，兼顾勘探和开发过程	基准测试函数
HCLDMS-PSO^［26］	对DMS-PSO的多亚群权重进行改进	能自适应地调整权重参数，缺少有效的亚群合并策略	基准测试函数
APSO-DEE^［27］	提出一种解耦勘探和开发的学习结构用于平衡算法的开发和勘探能力	勘探和开发互不影响，较好地保持了算法的平衡能力	基准测试函数
AHPS^2［28］	在亚群中添加物竞天择的竞争机制	两个亚群间模拟自然界中的物种竞争，动态变化，算法适用性较好	基准测试函数
文献［29］策略	使用k均值聚类划分亚群	k均值聚类划分的亚群相比固定的亚群数目更加切实准确，k值的选择较为困难	基准测试函数

策略	算法改进	算法分析	优化问题
DMS-PSO^［21］	引入动态亚群的概念，首次对PSO的拓扑结构进行动态变化，加强了算法的勘探能力，结构新颖可研究性强	较大计算成本，重组周期需要依据经验选择，算法偏向勘探阶段，开发能力欠缺	流水车间调度基准测试函数
DMS-L-PSO^［22］	提出在局部使用BFGS加快算法收敛	勘探能力差，多模态问题上表现差	基准测试函数
DMS-PSO-CLS^［23］	在DMS-PSO的亚群中使用竞争学习策略加快算法收敛	加强了开发能力，竞争机制复杂，计算成本高，多模态问题上表现差	基准测试函数
MSPSO^［24］	在DMS-PSO的基础上使用动态的亚群数量和重组周期，提出一种状态检测策略帮助粒子跳出局部最优	算法偏向勘探能力，开发能力欠缺，计算成本高，算法复杂，单模态问题表现差	基准测试函数
NMSPSO^［25］	定义了一个信息池来帮助粒子进行信息交流，使用两种不同的学习策略来保持算法的开发和勘探平衡	较小的计算成本，兼顾勘探和开发过程	基准测试函数
HCLDMS-PSO^［26］	对DMS-PSO的多亚群权重进行改进	能自适应地调整权重参数，缺少有效的亚群合并策略	基准测试函数
APSO-DEE^［27］	提出一种解耦勘探和开发的学习结构用于平衡算法的开发和勘探能力	勘探和开发互不影响，较好地保持了算法的平衡能力	基准测试函数
AHPS^2［28］	在亚群中添加物竞天择的竞争机制	两个亚群间模拟自然界中的物种竞争，动态变化，算法适用性较好	基准测试函数
文献［29］策略	使用k均值聚类划分亚群	k均值聚类划分的亚群相比固定的亚群数目更加切实准确，k值的选择较为困难	基准测试函数

策略	算法改进	算法分析	优化问题
MCPSO^［46］	首次提出应用于亚群策略的主从范式的拓扑结构	优点：计算成本低，算法的开发和勘探能力平衡缺点：缺乏亚群之间的相互合作	非线性动力系统的模糊控制器基准测试函数
SALMPSO^［48］	在亚群之间和亚群内部使用两种不同层次的信息交互方式	优点：加速优质信息的流通，加快算法收敛缺点：高维复杂的问题中寻优能力不足	基准测试函数
PMSO^［50］	引入并行机制和随机初始化策略	优点：算法的开发能力强，在多模态问题上表现优秀缺点：计算成本大	基准测试函数
PCLPSO^［51］	定义信息池，提出贪婪信息交换策略	计算成本小，算法寻优速度快	基准测试函数
AMCPSO^［52］	提出使用亚群竞争机制选择引导粒子	有效减缓精英引导时种群多样性快速下降的情况，能良好地处理大规模优化问题	基准测试函数
EGCSO^［53］	提出使用熵辅助多样性检测方法	能保持种群多样性，使EGCSO在大规模优化问题上有很强竞争力	基准测试函数
WLMS-KMTOA^［54］	提出双主群和弱连接多亚群结构	优点：能很好平衡算法的勘探和开发能力，有效保持种群多样性缺点：高额的算法成本无法优化高维问题	基准测试函数
MCpPSO^［55］	在亚群中引入一种基于中心信息的交换策略	能很好地保持种群多样性，勘探能力强	基准测试函数
MSLVPSO^［56］	在亚群中引入Lotka-Volterra模型	优点：增加了粒子的多样性，使得MSLVPSO有较好的收敛精度和鲁棒性缺点：收敛慢	基准测试函数

策略	算法改进	算法分析	优化问题
MCPSO^［46］	首次提出应用于亚群策略的主从范式的拓扑结构	优点：计算成本低，算法的开发和勘探能力平衡缺点：缺乏亚群之间的相互合作	非线性动力系统的模糊控制器基准测试函数
SALMPSO^［48］	在亚群之间和亚群内部使用两种不同层次的信息交互方式	优点：加速优质信息的流通，加快算法收敛缺点：高维复杂的问题中寻优能力不足	基准测试函数
PMSO^［50］	引入并行机制和随机初始化策略	优点：算法的开发能力强，在多模态问题上表现优秀缺点：计算成本大	基准测试函数
PCLPSO^［51］	定义信息池，提出贪婪信息交换策略	计算成本小，算法寻优速度快	基准测试函数
AMCPSO^［52］	提出使用亚群竞争机制选择引导粒子	有效减缓精英引导时种群多样性快速下降的情况，能良好地处理大规模优化问题	基准测试函数
EGCSO^［53］	提出使用熵辅助多样性检测方法	能保持种群多样性，使EGCSO在大规模优化问题上有很强竞争力	基准测试函数
WLMS-KMTOA^［54］	提出双主群和弱连接多亚群结构	优点：能很好平衡算法的勘探和开发能力，有效保持种群多样性缺点：高额的算法成本无法优化高维问题	基准测试函数
MCpPSO^［55］	在亚群中引入一种基于中心信息的交换策略	能很好地保持种群多样性，勘探能力强	基准测试函数
MSLVPSO^［56］	在亚群中引入Lotka-Volterra模型	优点：增加了粒子的多样性，使得MSLVPSO有较好的收敛精度和鲁棒性缺点：收敛慢	基准测试函数

[1]	Bo WANG, Hao WANG, Xiaoxin DU, Xiaodong ZHENG, Wei ZHOU. Hybrid dragonfly algorithm based on subpopulation and differential evolution [J]. Journal of Computer Applications, 2023, 43(9): 2868-2876.
[2]	Jun LIANG, Zehong HONG, Songsen YU. Image segmentation model based on improved particle swarm optimization algorithm and genetic mutation [J]. Journal of Computer Applications, 2023, 43(6): 1743-1749.
[3]	Zhihui GAO, Meng HAN, Shujuan LIU, Ang LI, Dongliang MU. Survey of high utility itemset mining methods based on intelligent optimization algorithm [J]. Journal of Computer Applications, 2023, 43(6): 1676-1686.
[4]	Zhenhua YU, Zhengqi LIU, Ying LIU, Cheng GUO. Feature selection method based on self-adaptive hybrid particle swarm optimization for software defect prediction [J]. Journal of Computer Applications, 2023, 43(4): 1206-1213.
[5]	Feng XIANG, Zhongzhi LI, Xi XIONG, Binyong LI. Inverse distance weight interpolation algorithm based on particle swarm local optimization [J]. Journal of Computer Applications, 2023, 43(2): 385-390.
[6]	Xuesen MA, Xuemei XU, Gonghui JIANG, Yan QIAO, Tianbao ZHOU. Hybrid adaptive particle swarm optimization algorithm for workflow scheduling [J]. Journal of Computer Applications, 2023, 43(2): 474-483.
[7]	Chunfeng LIU, Zheng LI, Jufeng WANG. Multi-objective optimization of minicells in distributed factories [J]. Journal of Computer Applications, 2023, 43(12): 3824-3832.
[8]	Jiahao ZHU, Wei ZHENG, Fengyu YANG, Xin FAN, Peng XIAO. Software quality prediction based on back propagation neural network optimized by ant colony optimization algorithm [J]. Journal of Computer Applications, 2023, 43(11): 3568-3573.
[9]	GAO Yuanyuan, YU Zhenhua, DU Fang, SONG Lijuan. Unlabeled network pruning algorithm based on Bayesian optimization [J]. Journal of Computer Applications, 2023, 43(1): 30-36.
[10]	Bing GAO, Ya ZHENG, Jing QIN, Qijie ZOU, Zumin WANG. Network intrusion detection algorithm based on sparrow search algorithm and improved particle swarm optimization algorithm [J]. Journal of Computer Applications, 2022, 42(4): 1201-1206.
[11]	Fangxin NIE, Yujia WANG, Xin JIA. Teaching and learning information interactive particle swarm optimization algorithm [J]. Journal of Computer Applications, 2022, 42(3): 874-882.
[12]	Jing ZHANG, Aihong ZHU. Optimization method of automatic train operation speed curve based on genetic algorithm and particle swarm optimization [J]. Journal of Computer Applications, 2022, 42(2): 599-605.
[13]	ZHANG Meng, GUO Jianquan. Channel structure choice of closed-loop supply chain under uncertain demand and recovery [J]. Journal of Computer Applications, 2021, 41(7): 2100-2107.
[14]	CHE Bingqian, ZHOU Dong. Tag recommendation method combining network structure information and text content [J]. Journal of Computer Applications, 2021, 41(4): 976-983.
[15]	FAN Xiaomao, XIONG Honglin, ZHAO Gansen. Cleaning scheduling model with constraints and its solution [J]. Journal of Computer Applications, 2021, 41(2): 577-582.

Survey of subgroup optimization strategies for intelligent algorithms

智能算法的亚群优化策略综述

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 11

References 89

Related Articles 15

Recommended Articles

Metrics