SW-OBLCSO：局部搜索与反向学习的粒子群优化算法

"该文提出了一种基于局部搜索的反向学习竞争粒子群优化算法(Solis&Wets-Opposition Based Learning Competitive particle Swarm Optimizer, SW-OBLCSO)，旨在提高粒子群优化算法在解决复杂优化问题，特别是高维问题时的性能。文中详细介绍了算法的设计思路，包括竞争学习、反向学习机制以及Solis&Wets局部搜索策略的集成。通过对比实验，展示了SW-OBLCSO在收敛速度和全局搜索能力上的优势，并在模糊认知图学习问题上验证了其实战效果。" 在当前的优化算法领域，粒子群优化(PSO)是一种广泛应用的全局优化方法，它模拟鸟群觅食的行为来寻找问题的最优解。然而，PSO在处理高维度和复杂优化问题时，可能会遇到收敛速度慢和陷入局部最优的问题。为了克服这些局限，钱晓宇、方伟和董洪伟提出的SW-OBLCSO算法进行了创新性的改进。 首先，SW-OBLCSO引入了竞争学习策略。在每轮迭代中，算法会选择四个随机粒子进行比较，适应度值最高的粒子被选为“胜者”，直接进入下一轮迭代。另一方面，适应度值最低的粒子会立即更新到“胜者”的位置，并加上一个偏移量，这有助于打破平衡，加快算法的收敛速度。 其次，两个中间适应度值的粒子分别采用向“胜者”学习和反向学习的策略。向“胜者”学习意味着粒子会尝试接近最优解，而反向学习则鼓励粒子探索相反的方向，以避免陷入局部最优，增强全局搜索能力。 此外，当算法的求解性能在一段时间内没有显著提升时，会触发Solis&Wets局部搜索策略。Solis&Wets局部搜索是一种有效的局部优化方法，它的应用能够帮助算法跳出可能的局部最优解，进一步提升全局搜索性能。 通过在100维、500维和1000维的10个标准测试函数上与其他优化算法进行对比实验，SW-OBLCSO展现出了更快的收敛速度和更强的全局搜索能力。同时，对于模糊认知图学习问题的实际应用，SW-OBLCSO也显示出优秀的性能，证明了其在处理现实世界问题中的潜力。 SW-OBLCSO算法通过结合竞争学习、反向学习以及Solis&Wets局部搜索，成功地提升了粒子群优化算法在高维复杂问题中的优化效率，为未来优化算法的研究提供了新的思路和方向。