粒子群优化算法中集成速度学习策略与多局部搜索机制的协同创新研究

本研究针对粒子群优化(PSO)算法在探索-开发平衡和局部搜索能力不足的问题，提出集成速度学习策略(EVLS)结合改进正弦余弦算法(ISCA)和序列二次规划(SQP)的EVLS-PSOIMLSM方法。通过CEC2017基准函数和齿轮设计等实际应用验证，其性能显著优于14种PSO变体和11种非PSO算法，为复杂优化问题提供了新解决方案。

　　

在优化算法领域，粒子群优化(PSO)作为经典元启发式方法已应用近三十年，但其性能受限于探索(exploration)与开发(exploitation)的平衡难题。随着实际工程问题复杂度提升，传统PSO易陷入局部最优且后期收敛乏力。现有改进方案如精英档案驱动PSO(EAPSO)和协同PSO(EOPSO)虽部分缓解问题，但存在速度更新单一、学习样本不足等缺陷。

针对这些挑战，宁波诺丁汉大学的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出集成速度学习策略的PSO变体EVLS-PSOIMLSM。该工作创新性地融合三类速度更新模式：强探索型(Type 1)、强开发型(Type 2)和平衡型(Type 3)，配合改进惯性权重ω和加速系数c的动态调整机制。通过引入改进正弦余弦算法(ISCA)和序列二次规划(SQP)双重局部搜索，并设计精英学习与突变策略，显著提升了算法在复杂场景下的适应性。

关键技术包括：1)基于CEC2017基准函数的系统验证；2)齿轮传动设计(GTD)和行星齿轮设计(PGTD)实际应用测试；3)与14种PSO变体及11种非PSO算法的对比实验。所有实验设置最大函数评估次数(maxFEs)为2.5×10⁴次以确保公平性。

【Ensemble velocity learning strategy】章节显示，算法通过分析问题景观动态选择速度更新模式。Type 1采用高随机性探索，Type 3结合历史最优(Pbest)和全局最优(Gbest)信息，而Type 2则强化局部精细搜索。数学表达式中，速度更新公式V_i^d(t+1)整合了改进的c₁r₁(t)和ω参数，实现搜索能力的自适应调节。

【Performance evaluation】部分证实，在CEC2017的30维测试函数中，EVLS-PSOIMLSM在多数案例中显著优于对比算法。特别在多峰函数优化中，其通过ISCA的周期性搜索和SQP的梯度信息利用，成功避免早熟收敛。GTD问题实验结果更显示其搜索效率比传统PSO提高37.6%。

【Conclusions】指出该研究三大贡献：1)首创三级速度学习体系实现智能演化；2)ISCA与SQP的协同应用突破局部最优限制；3)动态突变策略有效维持种群多样性。这些创新使算法在IEEE CEC2017基准测试中达到当前最优水平，为电力系统优化、光伏参数估计等工程问题提供新工具。

讨论部分强调，未来工作将扩展算法在超高维问题中的应用，并探索与其他元启发式算法的深度融合。该成果不仅推进了PSO理论发展，其开源代码(https://github.com/microhard1999/CODES)更为学界提供了可复现的研究基准。