采用基于状态的自适应速度上限策略的粒子群优化

基于摘要分析。本文研究粒子群优化（PSO）中速度上限与当前搜索状态不匹配的问题，提出基于状态的自适应速度上限策略 PSO-SAVL。主要贡献是利用演化状态估计（ESE）调整速度上限，而不是仅依据迭代次数更新。 核心机制：在全局搜索状态下设置较高速度上限，在局部搜索状态下设置较低速度上限，以协调探索与局部搜索。作者还修改并采用了限制处理策略，旨在提高避免陷入局部最优的能力。摘要未给出 ESE 的计算方式、状态判定规则、速度上限更新公式及限制处理细节，因此不能据此确定完整实现。 实验依据：作者报告，PSO-SAVL 在多种 50 维基准函数上获得良好表现，并在高维及大规模问题中验证了可扩展性；作者还报告了策略贡献验证和相关超参数的敏感性分析。摘要未提供函数名称、具体对照算法、评价指标、运行次数、效应大小或统计检验结果，实验协议、消融及统计信息尚未验证，不能据此断言其全面优于其他 PSO 变体。 平台推测（待验证）：若 EEG 特征选择或模型超参数搜索可表述为具有明确搜索边界与适应度评价的优化问题，状态驱动的速度限制可能有助于调节探索与局部搜索。可复用部分是 ESE 与速度上限调节逻辑；需改造部分包括离散特征选择的编码及适应度评价。EEG 的低信噪比、小样本和跨被试差异可能使适应度波动，进而导致搜索状态误判；通道选择还涉及离散变量，不能直接照搬连续优化策略。一个可检验的小实验是在固定 EEG 数据划分与相同适应度评估预算下，对比固定速度上限、基于迭代的自适应上限和状态驱动上限，用训练数据内部验证评价候选方案，再以独立测试集核对性能与多次运行稳定性。上述迁移并非原论文已验证结果，已有 EEG 相关工作尚未检索确认。