高维优化：FUSS与RWS增强PSO法的有效应用

本文主要探讨了在高维优化问题中应用粒子群优化（Particle Swarm Optimization, PSO）的一种创新方法，特别是在处理复杂工程领域中的挑战。传统的PSO算法在处理维度超过300的问题时可能面临性能下降的问题，因为高维问题中变量之间的关联性和局部最优解的数量显著增加。为了克服这些问题，研究者提出了一种结合了"Fitness Uniform Selection Strategy" (FUSS) 和 "Random Walk Strategy" (RWS) 的新型PSO变体。 FUSS是一种选择策略，它引入了较弱的选择压力，这有助于减少粒子对当前最优解的过度依赖，从而提高探索未知区域的能力。通过引入FUSS，算法能够更好地平衡搜索的全局性和局部搜索，使得粒子在保持一定学习能力的同时，不至于陷入局部最优的陷阱。 另一方面，RWS则包含了四种不同的形式，这些随机游走策略旨在增强算法的灵活性，使粒子能够在遇到局部最优时随机移动，从而有机会找到全局最优解。这种策略的设计考虑到了高维空间中维度间的复杂关联，有效地增加了算法跳出局部最优区域的概率。 作者将这种融合了FUSS和RWS的PSO应用于7个具有高维特征的著名基准测试问题，其中最高维度达到3000。实验结果显示，相较于传统PSO和其他变体，这种方法在解决高维、多模态优化问题上表现出优秀的性能，显示出其在高维优化场景下的优势。 本文的研究为解决高维优化问题提供了一个有效的工具，通过引入选择压力较弱的策略和增强探索能力的随机游走机制，改善了PSO在面对复杂问题时的性能和鲁棒性。这对于那些需要处理大量变量和潜在多模态结构的工程应用具有重要的实际价值。