基于群体交换粒子群优化的信息粒化-解粒机制增强设计与性能提升研究

为解决传统模糊粒化-解粒机制中原型初始化随机性导致结果非最优及重构误差大的问题，西安电子科技大学杭州研究院团队提出群体交换粒子群优化(GPSO)算法。该研究通过粒子群分组信息交换机制优化数据原型搜索策略，使重构误差降低10.93%-50.10%，显著提升模型性能。

　　

在数据爆炸时代，如何高效压缩和还原海量信息成为计算科学的核心挑战。传统模糊粒化-解粒机制虽能通过模糊集(Fuzzy Sets)实现数据抽象表达，却面临两大痛点：随机初始化的聚类中心易受异常数据干扰，且重构过程必然产生信息损失。这些问题严重制约了医疗影像压缩、工业传感器网络等需要高保真数据还原的场景应用。

西安电子科技大学杭州研究院的Peng Nie团队在《Journal of Industrial Information Integration》发表研究，创新性地将群体交换粒子群优化(Group-exchange Particle Swarm Optimization, GPSO)引入粒计算(GrC)领域。该算法通过分组协作-竞争机制突破传统粒子群优化(PSO)的局部最优陷阱，使糖尿病视网膜病变数据集上的重构误差较FCM算法降低45.77%，为智能诊断系统提供了更精准的数据还原方案。

关键技术包括：1)多组粒子动态交换策略，通过替换相邻组最差粒子加速收敛；2)基于模糊C均值(FCM)的初始原型生成；3)重构误差最小化目标函数设计。实验采用70%训练集和30%测试集划分，最大迭代次数设为100次。

研究结果
Review the granulation-degranulation mechanism
证实模糊集理论中隶属度矩阵对重构误差的关键影响，建立Φ:→?[0,1]^c映射关系。

Design an Enhanced Granulation-Degranulation Scheme
GPSO通过速度向量V_i=[v_i1,v_i2]实现粒子跨组信息交换，较标准PSO缩短40%收敛时间。

Experimental Studies
在合成数据集测试中，GPSO使能源消耗预测模型的区间覆盖精度提升30%，优于布尔算法基准。

Conclusions
分组替换机制使GPSO在UCI数据集上的全局搜索效率提升6.81%，为智慧城市时空数据压缩提供新范式。

该研究突破性地将群体智能与粒计算深度融合，其提出的动态原型优化框架不仅适用于医疗大数据处理，还可扩展至金融风险预测等领域。特别是算法中设计的扰动矩阵增强策略，为后续研究信息粒的量子化表征开辟了新路径。