中文摘要：

高速推进的工业信息化进程，使人类社会的生存和发展建立在大型工程系统之上。物联网时代的到来，将形成规模更加庞大而繁杂的信息物理系统。很多优化问题从最初的低维、高维发展为现在的超高维。本项目拟从提高群体智能算法的优化性能出发，重点研究面向超高维优化的新型群体协同智能算法。首先，基于群体智能算法的机理，重点研究粒子群、细菌觅食、人工鱼群等新型群体智能优化算法，一方面将优秀的社会性动物系统特性应用于优化算法中，突破传统的算法模型的束缚，设计出新的更智能化的算法模型；一方面基于贝叶斯概率理论研究新型群智能算法统一的集成结构及条件等价性。进而，基于统计学习的思想，以合作型协同进化框架为基础，提出面向超高维优化的群体协同智能算法，并研究其中的新理论、新方法和新技术。使所提出的方法能以高精度解决千维以上规模且变量之间存在相关性的函数最优化问题，从而提高群体协同智能方法求解大规模复杂问题的可规模化能力。

结论摘要：

随着科学和工程研究范围的拓展，系统问题的规模和复杂度越来越大，将智能方法应用于复杂优化问题的求解已成为一种有效的方法。本项目从提高群体智能算法的优化性能出发, 重点研究了面向超高维优化的新型群体协同智能算法。在算法研究方面构造出了带有新机制的群智能计算模型，提高了群智能算法的优化性能；在理论分析方面，建立了统一的群智能算法的模型范式，并给出了协同演化的相关理论基础；在基础应用方面，提出了面向超高维优化的新型群体智能协同演化方法，以高精度解决了千维以上规模及变量间存在相关性的复杂优化问题，并应用到超高维全局优化、大规模交通配流、大规模图像标注以及复杂生产调度及控制等问题中去，从而提高了群体协同智能方法求解大规模复杂问题的可规模化能力。重要成果体现在以下几个方面 (1) 基于群体智能算法的机理，将优秀的社会性动物系统特性应用到粒子群、细菌觅食、人工鱼群等几种新型群智能优化算法中，设计出新的更加智能化的算法模型提出了具有弥散性与集聚性机制的菌群智能模型；提出了具有权变领导模式和感知机制的粒子群模型；提出了具有混沌搜索机理和自组织机理的鱼群模型。通过benchmark的优化测试，结果表明所提出的模型具有良好的全局优化性能，可作为协同优化框架中的基优化器。 (2) 基于统计学习思想研究变量之间的相关性，提出了一个变量交互性定量评价的学习算法。为进一步降低计算复杂度，提出了具有nlogn计算复杂性的变量交互性快速检测及任务分解技术。 (3) 研究了协同进化的相关理论基础，给出了不同的协同优化及最优共生体生成策略。从理论上证明了协同进化机制收敛性的必要条件。 (4) 基于提出的基优化器及协同进化框架，进一步提出了面向超高维复杂优化及高维目标的新型群体协同智能算法提出了具有信仰空间的协同智能菌群模型；提出了基于交叉聚类和变量相关性快速学习机制的协同微分进化算法；提出了基于循环滑动窗口的自适应的协同微分进化算法；提出了基于变量统计学习的层级粒子群协同优化算法。数值试验表明所提出的算法对于求解超高维及高维目标优化问题具有良好的性能。 (5) 将提出的算法应用到复杂非线性系统控制、复杂生产调度、大规模交通配流、大规模图像标注、大规模数值优化、传感网数据分析等问题中。这些应用研究表明了所研究的协同智能方法求解大规模复杂问题的可规模化能力。