微粒群优化算法是受到鸟群寻找食物的启发提出的一种群智能优化算法,该算法具有较快的收敛速度和较好的全局搜索能力。但是该算法搜索过程中由于种群多样性降低容易导致算法陷入局部最优解。将多种群概念引入到微粒群算法中,通过子种群的协同搜索可以加快算法的收敛速度并提高算法的收敛精度。为了充分利用子种群的搜索信息,本文提出基于周期共享机制和知识板共享机制的多种群微粒群算法,引入周期共享机制使搜索到的信息在子种群之间及时传递,子种群基于该信息搜索;引入知识板,记录子种群搜索过程中可以搜索到的所有信息。根据知识板上的信息,判断子种群的搜索状态,调整子种群的搜索方向,提高算法的收敛精度。本文的主要工作如下:1)针对搜索过程中,子种群的搜索信息不能及时更新,影响算法的收敛性能,提出一种基于K-均值聚类和周期共享机制的多种群微粒群算法(IKMPSO)。首先,将种群中的所有微粒视作一棵树的根节点,从根结点开始,计算所有节点的权值,依据权值生成新的节点(叶节点),依次递归,最后生成一棵最优二叉树。在生成的最优二叉树中选择合适叶节点作为聚类的初始中心。其次,将此方法产生的聚类中心作为K-均值算法的初始聚类中心,按照K-均值聚类方法完成对种群的划分。最后,引入周期共享机制,使子种群之间的信息间隔一定的周期进行更新。在一个搜索周期内,子种群在其相邻子种群的引导下协同搜索,其余子种群均独立搜索,依次完成整个搜索过程。实验结果表明该算法在求解多峰测试函数时可以明显提高算法收敛精度和收敛速度。子种群之间通过周期性共享搜索到的信息,可以增强子种群之间的协同搜索能力。2)针对IKMPSO算法中,一旦某一子种群陷入局部最优,其后面与之协同搜索的子种群必然会在此局部最优解的引导下进行搜索,导致IKMPSO算法搜索过程中因种群多样性缺失陷入局部最优,影响算法搜索全局最优解的能力。为增强子种群搜索过程中的种群多样性,降低某一子种群搜索过程中陷入局部最优对算法整体搜索性能的影响,将知识板共享机制引入到IKMPSO算法中,提出基于知识板共享机制的KBMPSO算法。知识板记录搜索过程中各子种群可以感知到的多元信息(子种群的多样性、子种群的搜索能力以及子种群搜索过程中的最佳位置及其适应值),一旦某一子种群陷入局部最优,知识板中记录的信息及时反馈到该子种群,子种群根据反馈的信息,及时调整搜索方向,跳出局部最优,朝着全局最优的方向搜索。实验结果表明,将知识板共享机制引入到IKMPSO算法中,在求解多峰测试函数的全局最优解时,搜索到全局最优解的精度和其他算法相比有了较大改进,同时搜索到全局最优解的次数也有了很大提高。