群搜索优化算法是通过模拟自然界动物群体的觅食行为而构造的随机优化算法。该算法具有广阔的生物学背景,已成功应用于人工神经网络、医学、电力系统以及机械设计等方面。但由于该算法提出的时间较短,目前对于群搜索优化算法的研究与应用还处于初级阶段,仍存在很多问题有待深入改进和解决。为了有效改善群搜索优化算法(GSO)的性能,论文主要从两个角度进行研究,并最终提出了交互变邻域微分进化群搜索优化算法。第一,论文对群搜索优化算法的觅食策略进行了分析,在群搜索优化算法(GSO)中,跟随者在向最优个体靠近时采用等间距的觅食策略(固定步长为1),使用这种觅食策略很容易越过真正的最优食物源,表现在算法上是全局极值点有可能没有被采集到,从而在一定程度上影响了算法的全局搜索能力,增加了算法陷入过早收敛的概率。因此通过改变觅食策略,可以提高算法的全局收敛性和搜索效率。论文将标准模型转化为微分模型,并采用三种不同的求解微分初值问题的方法选择觅食策略,对群搜索优化算法进行了改进与分析,通过仿真实验表明,改进的算法具有更强的寻优能力,在收敛速度和精度上都有显著提高。第二,论文对群搜索优化算法的网络拓扑结构进行分析,邻域结构采用全局最好模型(Gbest模型),所有微粒都只和当前位置最好的微粒存在连接,显然这样的模型不是一个全连通图,在一定程度上影响着算法的性能。论文从这一角度入手,采用类似NW模型的构造方法,提出了交互变邻域群搜索优化算法(IGSO)。仿真实验表明,IGSO算法能有效地提高最优解的精度,其性能明显优于基本GSO算法,尤其适合高维复杂函数的寻优问题。最后,我们从觅食策略和网络拓扑结构两方面同时入手,提出了交互变邻域微分进化群搜索优化算法(IDGSO),仿真实验表明,IDGSO算法能有效避免早熟收敛,全局优化能力和收敛速率都有显著提高。