融合PSO与蚁群算法的随机搜索：优势互补的连续优化策略

本文主要探讨了融合粒子群优化算法（Particle Swarm Optimization, PSO）与蚁群算法（Ant Colony Optimization, ACO）的随机搜索策略。PSO以其快速收敛性和全局搜索能力而闻名，但可能会陷入局部最优；相比之下，蚁群算法依赖于信息素的正反馈机制，有助于避免局部最优，但可能在解决复杂问题时效率较低。为了克服这些局限性，作者提出了一种混合算法，它巧妙地结合了PSO的高效探索和ACO的全局感知。 该混合算法试图平衡PSO的全局搜索特性，使其能够跳出局部最优，同时利用ACO的信息素更新规则，增强了算法的全局导向性。这使得算法能够在连续空间问题中展现出更强的优化性能，尤其是在处理单峰和多峰函数优化问题时，能够有效地找到全局最优解或接近最优解。 作者支成秀和梁正友基于广西大学计算机与电子信息学院的研究背景，结合广西大学博士启动基金的支持，对该算法进行了深入研究。他们通过实证研究验证了新算法的有效性，展示了其在处理各种优化问题时的优越性能，特别是在解决具有多个局部最优的复杂函数时，算法的适应性和鲁棒性得到了充分展现。 本文的重要贡献在于提供了一种新颖的混合算法设计思路，将两种经典的优化技术整合在一起，从而在保持PSO算法优点的同时，改进了其在解决连续优化问题上的不足。这不仅为理论研究提供了新的视角，也为实际应用中的复杂问题优化提供了实用的工具。由于论文发表在《广西科学院学报》上，且被归类于计算机科学和技术领域，因此该成果对于推动该领域的研究和实践具有重要意义。