PSO变种策略——解决大规模问题：（1）CSO

一种用于大规模优化的竞争粒子群优化算法
一 PSO（粒子群优化算法）
论文从PSO改进而来。
粒子群包含一组粒子，每个粒子在一维搜索空间中具有位置和速度，代表要解决的优化问题的候选解。为了定位全局最优值，每个粒子的速度和位置使用以下等式迭代更新:

Pbest（t）个体最优解；gbest（t）全局最优解。
缺点：因Pbest（t），gbest（t）导致过早收敛。
二 CSO（竞争粒子群优化算法）
使用gbest（t），粒子的更新是由来自两个群的粒子之间的成对竞争机制驱动的。每次比赛后，失败者将根据胜利者群体的信息进行更新，而胜利者将使用变异策略进行更新。

Xk（t）为全局平均位置；
结果：CSO在大规模优化问题上表现惊人，优于许多为大规模优化定制的最新元启发式算法，对更高维的问题也能产生很好的效果。
三 CSO-n（竞争粒子群优化算法领域控制的影响）
与CSO不同的是Xk（t）为局部平均位置；
优点：邻居控制增强群体多样性以及搜索性能，这意味着，对于CSO只需要很少的粒子数就可以产生很多组合，计算复杂度降低，仅为O（mn），m种群大小，n代数。