微粒群算法源于对鸟群捕食行为的研究,它是以个体的协作与竞争来完成对复杂搜索空间内最优解的搜索,是一种基于群体智能的随机优化算法。微粒群算法的研究与应用近年来十分活跃,它之所以受到如此关注,主要是由于其结构简单、性能稳定、效率高,并且只有少量几个参数需要进行调整。本文将标准微粒群算法的本质并行性与并行计算模型有机结合,提出了并行微粒群算法。并行计算模型是设计和分析并行算法的基础,文中设计了三种并行计算模型,分别是带中央控制器的并行计算模型、环形结构带缓存器的并行计算模型、BSP并行计算模型。同时,在这些模型的基础上实现了相应的三种不同的并行微粒群算法。首先介绍基于带控制器并行结构模型的并行微粒群算法,通过大量实验表明:当选择合适的通讯周期时,该并行微粒群算法不仅具有理想的加速比,而且能有效地提高解的质量。然后提出基于环形结构带缓存器模型的并行微粒群算法。采用的单向环拓扑结构,可以保证优良粒子在群体间的扩散,较好地隔离子种群,保证群体间的多样性。最后实现了一种基于BSP并行计算模型的并行微粒群算法。这种并行算法改变了标准微粒群算法的结构,提高了算法求解效率。实验结果表明,该并行算法的性能与标准微粒群算法相比有了很大的提高。文中还对多种群协同进化的微粒群算法进行研究。各个子种群之间采用不同的更新策略周期性地进行信息更新,共同寻求最优解。通过对实验数据比较分析,得出子种群之间的更新周期对函数的收敛性和最优性均有一定的影响。