11、优化算法：增量粒子群引导局部搜索与禁忌搜索结合有效不等式-优快云博客

本文链接：https://blog.youkuaiyun.com/sql99/article/details/153766771

优化算法：增量粒子群引导局部搜索与禁忌搜索结合有效不等式

在解决优化问题的领域中，不断有新的算法和方法被提出，以提高解决复杂问题的效率和质量。本文将介绍两种不同但又具有创新性的优化算法：增量粒子群引导局部搜索（Incremental Particle Swarm-Guided Local Search，IPSOLS）和结合有效不等式的优化搜索启发式算法（Tabu VVI）。

增量粒子群引导局部搜索（IPSOLS）

步长对目标函数的影响

步长在局部搜索过程中起着关键作用，其实际效果取决于目标函数。在多模态测试问题（如Ackley、Rastrigin、扩展Schaffer和Schwefel）中，步长的不同会产生显著差异；而在单模态函数（如Rosenbrock和Sphere）中，步长的影响几乎可以忽略不计。在多模态问题中，较大的步长使局部搜索能够“跳过”局部最优解，从而增加找到高质量局部最优解的机会。然而，如果步长参数设置不当，算法性能会变差。

学习模式与策略

IPSOLS可以看作是一群具有自我学习和相互学习能力的智能体。为了获得最大回报，个体需要采用一种策略，将两种学习模式有效地结合起来。在IPSOLS中，个体学习优先于社会学习。只有当个体学习成本过高或被认为无成效时，智能体才会进行社会学习。具体来说，总是先尝试局部搜索。如果局部搜索无法令人满意地解决当前问题，可能是因为它已经收敛到局部最优解（即局部搜索无法进一步改进，个体学习被认为无成效），或者达到了局部搜索程序的最大迭代次数（即个体学习成本过高），此时才会使用社会学习。