范朝冬,任 柯,易灵芝,肖乐意，朱彪明,李 杰

(1.湘潭大学信息工程学院,湖南 湘潭 411105; 2.湖南大学电气与信息工程学院,湖南 长沙 410082)

1 引言

在目前的全局优化算法中，启发式算法因实现简单且效率高而逐渐成为国内外学者研究的热点。当前主流的启发式算法主要可分为三大类：(1)模拟自然进化规律的优化算法，如遗传算法GA(Genetic Algorithm)[1]、进化策略ES(Evolutionary Strategy)[2]等；(2)模拟生物群体的生活习性与活动规律的优化算法，如微粒群优化PSO(Particle Swarm Optimization)算法[3]、人工蜂群ABC(Artificial Bee Colony)算法[4]、萤火虫GSO(Glowworm Swarm Optimization)算法[5]等；(3)模拟物理现象或物理规律的优化算法，如中心引力CFO(Central Force Optimization)算法[6]、万有引力算法GSA(Gravitational Search Algorithm)[7]、人工物理优化APO(Artificial Physics Optimization)算法[8]等。其中,基于物理规律的优化算法因模型规范且寻优效果好，已逐渐成为智能优化领域的研究热点[9]。

2013年，笔者通过模拟分子运动机制提出了分子动理论优化算法MKTOA(Molecular Kinetic Theory Optimization Algorithm)[10]，因该算法同时考虑了个体间的吸引和排斥作用，所以取得了较好的优化效果；2014年，笔者进一步将其应用于图像阈值分割问题，通过搜索最优阈值取得了理想的分割效果[11,12]；2015年，为避免MKTOA发生错误引导而影响算法效率，笔者提出了M精英协同进化分子动理论优化算法MECMKTOA(M-Elite Coevolutionary MKTOA)[9]。虽然当前对MKTOA的研究已取得一定进展，但因其研究才刚刚起步，各方面还不够完善，局部极值和收敛精度等问题仍有待解决。

针对MKTOA的上述问题，本文提出了一种双种群分子动理论优化算法DP-MKTOA(Dual Population of Molecular Kinetic Theory Optimization Algorithm)。该算法将种群分为精英和普通两个子群，普通子群执行MKTOA的搜索过程进行大范围搜索，而精英子群则通过协同学习而实现局部搜索；……