编辑推荐：
针对蛇优化算法（SO）存在探索效率低、易陷入局部最优和收敛慢的问题，研究人员开展了蛇优化算法与粒子群优化算法（PSO）混合（SO-PSO）的研究。在 CEC-2017 基准函数和 7 个工程问题上的实验表明，SO-PSO 性能显著优于其他元启发式算法，为优化算法改进提供了新方向。
在科学与工程领域，优化算法的性能提升一直是研究热点。传统蛇优化算法（SO）虽在部分连续优化问题中表现出一定能力，但存在探索效率不足、易陷入局部最优解以及收敛速度缓慢等显著缺陷，这限制了其在复杂场景中的应用。如何提升算法的全局搜索能力、加速收敛并避免早熟成为亟待解决的问题。为应对这些挑战，研究人员开展了蛇优化算法与粒子群优化算法（PSO）的混合研究，旨在通过融合 PSO 的速度向量机制优化 SO 的探索过程，进而提升算法整体性能。
来自未知研究机构的学者提出了蛇优化 - 粒子群优化混合算法（SO-PSO），并在 CEC-2017 连续数值基准问题及 7 个实际工程问题上进行了全面测试。研究结果表明，SO-PSO 在多项指标上显著优于包括 WOA、PSO、GWO、EO、LSHADE 和原始 SO 在内的对比算法，为解决复杂优化问题提供了新的有效途径。该研究成果发表在《Engineering Science and Technology, an International Journal》，为优化算法领域的发展注入了新活力。
研究人员主要采用了混合优化技术，将 PSO 的速度向量整合至 SO 的探索阶段，通过调整控制参数优化算法的探索与开发平衡。实验设计覆盖了不同维度（30、50、100）和种群规模（30、50、100）的测试场景，运用 Friedman 排名和 Wilcoxon 符号秩检验等统计方法验证算法性能差异。
4.1 移位和旋转基准问题的解决方案
在 30 个移位和旋转基准问题测试中，SO-PSO 在多数问题上表现出卓越的稳定性和有效性。以 F1（单峰函数）、F5（多峰函数）、F12（混合函数）和 F21（组合函数）为例，SO-PSO 在不同种群规模下均展现出较低的均值和标准差，尤其在多峰和组合问题中优势显著。Friedman 排名结果显示，SO-PSO 以平均排名 1.62 位居第一，显著优于 WOA（6.5）、PSO（5.91）等算法。收敛曲线表明，SO-PSO 在高维度（如 100 维）问题中仍能快速收敛，避免陷入局部最优，体现出其在复杂搜索空间中的高效探索能力。
4.2 工程问题应用
在压力 vessel 设计、tension/compression spring 设计、three bar truss 等 7 个工程问题中，SO-PSO 同样表现出色。例如，在压力 vessel 设计问题中，SO-PSO 能有效优化多变量约束下的成本函数，获得更优的设计参数组合。统计结果显示，SO-PSO 在工程问题中的平均排名为 1.82，再次验证了其在实际应用中的可靠性和有效性。
4.3 参数设置与敏感性分析
研究对 SO-PSO 的关键参数（如 Threshold?、Threshold?）进行了敏感性分析，确定最优参数组合。结果表明，Threshold?=0.24 和 Threshold?=0.34 时算法性能最佳。与其他元启发式算法的参数设置对比显示，SO-PSO 通过合理平衡探索与开发阶段，显著提升了算法的整体效率。
结论与讨论
SO-PSO 通过融合 PSO 的速度向量机制，有效增强了原始 SO 的探索能力，加速了收敛过程，并显著降低了陷入局部最优的风险。实验结果表明，该算法在连续优化问题中表现出卓越的性能，尤其在高维度和复杂工程场景中优势明显。其成功为后续优化算法的改进提供了重要思路，即通过混合不同元启发式算法的优势策略可突破单一算法的性能瓶颈。该研究不仅拓展了优化算法的应用边界，也为解决工程领域中的复杂优化难题提供了新的技术路径，具有重要的理论和实际应用价值。
