Particle swarm optimization (PSO) algorithm is a stochastic and population-based optimization algorithm. Its traditional learning strategy is implemented by updating the best position using the particle’s own historical best experience and its neighborhood’s best experience to find the optimal solution of the problem. However, the learning strategy is ineffective when dealing with highly complex problems. In this paper, a particle swarm optimization algorithm based on a multidimensional mean learning strategy is proposed. In this algorithm, an opposition-based learning strategy is utilized to initialize the population to enhance the exploitation capability. Furthermore, the historical best positions of all the particles are reconstructed in a vertical crossover manner that is based on the mean information of multiple optimal dimensions to generate the guiding particles. Additionally, an improved inertia weight is used to further guide all the particle movements to balance the capability of the proposed algorithm for global exploration and local exploitation. The proposed algorithm is tested on 12 benchmark functions and is compared with some well-known PSO algorithms. The experimental results show that the proposed algorithm obtains more competitive optimal solution compared with other PSO algorithms when solving high-dimensional complex problems.

中文翻译：

---

具有多维均值学习的高效粒子群优化

粒子群优化（PSO）算法是一种随机的、基于种群的优化算法。其传统的学习策略是通过使用粒子自身的历史最佳经验和其邻域的最佳经验更新最佳位置来找到问题的最优解。然而，在处理高度复杂的问题时，学习策略是无效的。本文提出了一种基于多维均值学习策略的粒子群优化算法。在该算法中，使用基于对抗的学习策略来初始化种群以增强利用能力。此外，根据多个最优维度的均值信息，以垂直交叉的方式重构所有粒子的历史最佳位置，生成引导粒子。此外，改进的惯性权重用于进一步引导所有粒子运动，以平衡所提出算法的全局探索和局部利用能力。所提出的算法在 12 个基准函数上进行了测试，并与一些著名的 PSO 算法进行了比较。实验结果表明，该算法在求解高维复杂问题时，与其他PSO算法相比，获得了更具竞争力的最优解。改进的惯性权重用于进一步引导所有粒子运动，以平衡所提出算法的全局探索和局部利用能力。所提出的算法在 12 个基准函数上进行了测试，并与一些著名的 PSO 算法进行了比较。实验结果表明，该算法在求解高维复杂问题时，与其他PSO算法相比，获得了更具竞争力的最优解。改进的惯性权重用于进一步引导所有粒子运动，以平衡所提出算法的全局探索和局部利用能力。所提出的算法在 12 个基准函数上进行了测试，并与一些著名的 PSO 算法进行了比较。实验结果表明，该算法在求解高维复杂问题时，与其他PSO算法相比，获得了更具竞争力的最优解。