用于大规模优化的分段主导学习群优化算法（SPL）

本文深入探讨了SPL优化算法的原理与应用，包括粒子群优化的更新策略、动态分块机制及其对种群多样性和收敛速度的影响。通过具体算法步骤，展示了SPL如何在大规模优化问题中提升性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

   论文《Segment-Based Predominant Learning Swarm Optimizer for Large-Scale Optimization》阅读笔记。

1.SPL更新方法。对于种群P,随机选择两个粒子将其适应度值进行比较，划分RG (good)和RP（poor），相对较好的粒子RG和相对较差的粒子RP，大小分别为(粒子数/2)。(X_RG_RP_j)是RP中的粒子j在RG中的学习粒子的位置，(X_RG_rand)是RG中随机选择的粒子。
在这里插入图片描述
其中，(RP_j)是RP中第j个相对较差的粒子，总维度m被完全划分为：G={G_1,…G_i,…G_m }, g(j,i) 表示第j个相对较差的粒子将从G_i中学习的对应的相对较好的粒子，x ̂是种群的加权平均位置，r是[0,1]之间的随机数，φ=0.1为控制影响因子。η是用于避免零分母的小正值。
2. 动态分块。分解池S={1,10,20,50,100,250},相对性能改进R_S={r_1,…,r_t }初始化为1，集合S中元素选择概率为P_s={p_1,…,p_t }。
在这里插入图片描述
其中，F是指上一代的全局最优适应度值，F ̃是当代全局最优适应度值。得到集合P_s，使用轮盘赌的选择方式得到集合S中维度分块数目。
3. SPL策略使得进化过程中种群的多样性提高，收敛速度变缓。
4.总算法流程图
在这里插入图片描述