15、通过种群增长和局部搜索提高性能及全进化算法在GPGPU上的两种实现

通过种群增长和局部搜索提高性能及全进化算法在GPGPU上的两种实现

算法性能提升相关内容

在连续优化领域，为了提高算法性能，人们进行了诸多尝试。以人工蜂群算法（ABC）为例，提出的改进型IABC算法在性能上有显著提升。

• IABC算法优势 ：IABC算法通过增加种群规模和更关注当前最优解，使其在基准函数测试中表现优于原始ABC算法。
• 混合局部搜索 ：为了进一步优化，IABC算法与局部搜索进行了结合，采用了两种不同的局部搜索程序，即Powell的共轭方向集和Mtsls1。
• 参数调优 ：使用迭代F - Race这一自动算法配置工具对IABC和混合局部搜索的IABC参数进行调优。
• 性能对比 ：在50维和100维的基准函数测试中，混合算法通常比IABC算法表现更好。与SOCO特刊中的其他大规模连续优化算法相比，混合IABC算法能得到高质量的解，根据中位数结果，仅被增量PSO算法和SOCO基准竞赛中整体表现最佳的算法超越。

此外，在ABC算法中引入增量社会学习框架也带来了显著的性能提升。而且，将PSO和连续ACO算法嵌入增量社会学习框架同样能实现性能改进，这充分表明增加种群规模和与局部搜索算法混合对于获得高性能的连续优化群智能算法至关重要。

全进化算法在GPGPU上的实现

通用图形处理单元（GPGPU）多核处理器在科学计算领域引起了广泛关注，许多研究尝试将进化算法移植到GPGPU上。