变量交互重构的可变互连的协同层次进化（CHPSO-VIR）

1.两个阶段：变量交互重构，可变互连的协同层次进化（CHPSO-VIR）
2.改进策略
（1）快速变量交互学习（FVIL）
对于优化函数,它的变量集,判断是否可分离：

如果(f(α ⃗ )-f(β ⃗ ))·(f(α ⃗^’ )-f(β ⃗^’ ))<0,那么认为不可分。
（2）边缘去噪模型
是观察矩阵 的局部关系，全局关系和偏差之和，可以用矩阵表示为。使χ与之间的差异最小化来去噪，最终获得W,C,b,进而构成完全映射矩阵。

（3）自然启发机制分层（nHPSO）

粒子将根据适应度值进行层次划分，折扣因子=0.95，w=0.7298,c1=c2=1.49618,，是粒子i的历史最佳适应度值，是其最差适应度值；是粒子i的上层领导者的最佳位置，是其适应度值。)是层次结构中粒子的自上而下的顺序。前期粒子的探索性强，后期优秀粒子主导收敛。。

为了提高粒子后期的多样性，到了给定迭代次数，加入了自我导向开发。是随机生成的方向向量，元素限制在区间[-1,1]，c(i)是粒子i的领导者在随机方向上的步长大小。

（3）小规模种群改进（SPR）
1)在每个组执行其优化之后，将每个子问题的最佳和次要个体放入候选池中。
2)从不同的子问题中随机选择最佳或次优的部分。
3)重复步骤2以构建与可分离的子问题相比较小的群体。
4)使用nHPSO基础优化器对小群体进行优化，当找到更好的解决方案时，向每个子问题提供反馈。
3.总结
(1)用关于问题的先验知识来探索变量关系，然后基于可变交互执行问题分解任务，减少了大量的计算工作。
(2)nHPSO中有分层领导，随机认知和自我导向开发机制，使得算法性能提高。