程美英，钱 乾，倪志伟，朱旭辉

（1.湖州师范学院经济管理学院，浙江湖州 313000；2.浙江省教育信息化评价与应用研究中心，浙江湖州 313000；3.湖州师范学院教师教育学院，浙江湖州 313000；4.合肥工业大学管理学院，合肥 230009）

（∗通信作者电子邮箱02550@zjhu.edu.cn）

0 引言

自组织迁移算法（Self-Organized Migrating Algorithm，SOMA）［1］是一种新型基于群体的智能优化算法，自2004 年提出至今已得到广泛研究，现有成果主要集中于两方面:1）改进SOMA，弥补易陷入局部最优、收敛速度慢、求解精度低等缺陷。文献［2］引入机会策略产生扰动向量，提供比基本SOMA更多的位置选择来增强个体寻优能力；文献［3］在SOMA 中引入自适应参数控制、领导个体选择及给最优个体建立外部档案等策略提高种群多样性；文献［4］在每次迭代过程中按照与领导者的欧氏距离均匀选择粒子进行移动，提高SOMA 收敛速度和精度等。2）将SOMA 应用于解决实际优化问题。文献［5］在可重构制造业中引入SOMA 最小化机器模块变化；文献［6］将SOMA 用于机器人躲避动态障碍物并抓取移动目标；文献［7］引入SOMA解决多层次图像阈值分割问题等。

基于群体的智能优化算法通过个体之间的协作能“涌现”出智能行为，实则具有隐含并行性，而这种并行性表现在两方面:一是算法的内在并行，即本身适合大规模并行；二是算法的内涵并行性，群体智能算法采用种群的方式组织搜索，因而可以搜索解空间内的多个区域，并相互交流信息，具备很强的多任务优化能力（多任务优化指在某一时刻同时处理多个不同的优化问题［8］）。……