近日，我院测绘系王振杰团队在智能优化算法方面的研究成果《A Dynamic Neighborhood Learning-Based Gravitational Search Algorithm（基于动态邻域学习的引力搜索算法）》发表于人工智能学会著名学术期刊《IEEE Transactions on Cybernetics》（SCI一区，工程技术TOP期刊）。该科研工作由测绘系王振杰教授和孙根云副教授合作指导完成，论文第一作者为2014级博士研究生张爱竹，我院为科研成果第一完成单位。
邻域结构直接决定群智能优化算法中粒子之间的信息交流方式。局部邻域拓扑结构有利于粒子进行细致的勘探开发，而全局邻域拓扑结构促使粒子在问题空间进行快速搜索。引力搜索算法的邻域结构，虽然具备独特的搜索方向多样性，其本质上仍旧是一种全局邻域拓扑结构。因此，引力搜索算法表现出多样性迅速降低、早熟收敛的问题。此次在《IEEE Transactions on Cybernetics》期刊上发表的《A Dynamic Neighborhood Learning-Based Gravitational Search Algorithm》一文针对此问题开展深入研究，提出一种基于种群进化状态进行结构调整的局部邻域结构，该结构不但克服了全局邻域结构容易早熟收敛的问题，也保持了原算法搜索方向多样性的优势。在此基础上，本文引入具有全局结构的记忆性策略，以此增强算法的开发能力，维持算法的收敛速度。实验表明，该算法有效的促进了算法中勘探与开发过程的平衡、克服了算法早熟收敛的问题，并且大大降低了算法的计算复杂度。
《IEEE Transactions on Cybernetics》杂志创刊于1960年，主要刊载控制论领域的研究与计算方法，包括诸如计算智能、 计算机视觉、 神经网络、 遗传算法、 机器学习、 模糊系统、 认知系统、 决策和机器人技术等领域的研究进展，及其在控制论领域的推广研究。该期刊中科院大类分区为一区TOP期刊，近3年影响因子为4.934，是控制论与人工智能域的顶级期刊之一。
该论文网络版链接为：http://ieeexplore.ieee.org/abstract/document/7802630/。【张爱竹 穆洋】
