提升全局搜索能力：DMS-PSO与CS算法的联合优化

本文主要探讨了一种结合了多种群粒子群算法（Dynamic Multi-Swarm Particle Swarm Optimization, DMS-PSO）与布谷鸟搜索算法（Cuckoo Search, CS）的联合寻优方法。DMS-PSO是一种在优化问题中广泛应用的智能搜索算法，它通过模拟群体行为来寻找全局最优解。然而，为了增强其全局搜索能力，研究者提出了DMS-PSO-CS算法，该算法创新性地采用了双层优化策略。 在DMS-PSO-CS中，首先通过中位数聚类算法对整个种群进行动态划分，将其分成多个小型子种群，这些子种群作为底层种群，利用粒子群算法（PSO）进行局部搜索，优化个体解。接着，对于每个子种群的最优解，作为高层种群的粒子，进一步应用布谷鸟搜索算法进行深度优化，这是一种基于模仿自然界的随机策略，通过模拟鸟类的行为来探索未被发现的解决方案。 实验部分，作者将DMS-PSO-CS算法应用到CEC 2014年的测试函数集合中，这个测试集广泛用于评估优化算法的性能。通过与纯布谷鸟搜索算法以及其他的PSO变体进行比较，结果显示DMS-PSO-CS算法在全局搜索能力和算法效率方面表现出显著的优势。这表明，通过将布谷鸟搜索的探索性和粒子群算法的局部搜索能力相结合，可以有效提升优化算法的整体性能，特别是在处理复杂优化问题时，能更有效地找到全局最优解。 这篇文章的核心贡献在于提出了一种新颖的优化策略，通过集成多种搜索机制，提高了优化算法在实际问题中的适应性和效率。这对于解决现代工程、科学计算中的优化挑战具有重要的理论价值和实践意义。