文档介绍：摘要
本文的目的是研究一种新的并行进化算法及其应用。群体智能算法是一种进化类算法，是解决
优化问题特别是复杂系统优化问题的有效手段。而 QPSO 是一种新的、具有全局收敛性群体智能算
法，并且许多实际应用证明，QPSO 远远优于一般的粒子群算法（Particle Swarm Optimization-简称
PSO）和遗传算法(Genetic Algorithm)。因此，本文的研究内容对于群体智能和并行化的发展具有一
定的学术意义和应用价值。
本文在研究了遗传算法、粒子群优化算法和具有量子行为的粒子群算法及其并行化研究现状的
基础上，受遗传算法并行化的启发，对粒子群优化算法和具有量子行为的粒子群算法提出并实现了
新的并行化策略。主要思想是引入岛域模型和交换算子的概念，在机群环境下，基于这两种优化算
法在求解的过程中，相互之间通过迁移算子来达到相互之间交换信息的目的，使得整个群体的多样
性得到保持，从而提高了算法的全局搜索能力。
在并行测试中，由于通信时间过长，会引起通信的瓶颈问题，本文对相互通信的时间进行了改
进，相互通信的周期按指数递减地序列进行，文中主要是以一些常见的基准函数的并行实现为例，
详细描述了算法设计思想和程序实现过程，提供了大量的测试结果，并与相应串行算法在相同计算
环境下的测试结果做出比较，以及不同并行实现之间的比较。测试结果表明，无论是在优化算法的
搜索能力还是在运行的时间上，本文的并行方案相对于串行算法以及现有的并行策略都具有一定的
优势，提供了解决复杂优化问题的一种有力手段。本文将 PPSO 算法用于一个在多阶段投资组合优
化系统中进行决策的决策制定过程，目标函数是最大化个人经济效益或最大化周期结束时个人财富。
通过比较按期望回报和标准方差被不同的目标函数所优化的投资组合的性能来指导验证。

关键词：并行；粒子群优化算法；量子化；多阶段随机优化
I
Abstract
In this paper a novel class of parallel evolutionary computation technique-Swarm Intelligence.
Algorithm and application is discussed, among which the Quantum-behaved Particle Swarm Optimization
(QPSO) algorithm is a recently proposed approach and is a variant of original Particle Swarm Optimization
(PSO). QPSO is global convergent and will be a promising solver for complex optimization problem,
which is shown by some previous work. Thus, the research of this paper will be of somewhat significance
in evolutionary computation area and parallel area.
On the base of genetic algorithm, particle swarm algorithm, quantum-behaved particle swarm algorithm
and some other parallel algorithm, we put forward a new parallel method on particle swarm algorithm and
quantum-behaved particle swarm algorithm by the influence of the implement of genetic algorithm. The
main idea is introducing the concepts of island model and changing arithmetic operators. In the cluster
environment, the optimal algorithm increasing global searching ability by maintaining