2026年3月新锐一区SCI-随机社会学习优化算法Stochastic social learning-附Matlab免费代码

引言

近年来，在合理框架内求解优化问题的元启发式算法的发展引起了全球科学界的极大关注。本期介绍一种新的创新算法------随机社会学习优化算法Stochastic social learning optimization，SSLO。SSLO是一种受社会学习理论和桶理论启发的新型元启发式算法。SSLO通过模拟人类的知识获取机制，包括观察、模仿和社会互动，建立了一个独特的优化框架，该算法于2026年3月最新发表 在 JCR 1区，新锐1区期刊 Knowledge-Based Systems 。

初始化：与其他优化算法类似，通过在定义的决策空间范围内随机初始化种群来开始搜索优质解决方案。

频域变换相位：粒子位置更新过程是量子粒子群算法的关键组成部分，它依赖于单个吸引子和局部吸引子的平均最佳位置，并结合量子概率模型。应用蒙特卡罗变换方法，导出粒子位置更新方程如下

基于上述指数尾探索核的启发，SSLO算法利用了量子表现的表达式,建立知识积累和灵感触发的统一计算框架。在日常学习阶段，个体通过模仿高质量的解决方案来逐步积累知识。当随机抽样产生较大的Δ值时，算法进入"灵感爆发"阶段，通过跨域关联突破局部认知边界。这种机制动态地平衡了探索

桶效应："桶效应"指的是一个木桶能装多少水取决于它的木板最短，而不是最长。该理论通常用于强调系统中最薄弱的环节如何限制整体性能.

两阶段策略。

设S表示当前的候选解。SCO算法的核心优势在于其独特而有效的更新方程，便于对S的位置进行适当调整，并引导算法向最优解方向发展[77]。SCO算法分为两个不同的阶段，如下所示：

阶段1：在此阶段，算法主要侧重于在解空间内进行广泛的探索，以发现潜在区域。候选解的位置更新规则如下

阶段2：在此阶段，算法强调对发现的有潜力区域进行深度开发。位置更新规则如下：

最弱个体改进策略：在算法的早期阶段，最弱的个体利用自我探索或反身机制，主动寻找最适合的学习模式，从而逐步提高自己的知识水平。这个过程可以用公式（11）来描述。为了有效地实现这一目标，该算法故意为最弱的个体分配更大的步长和更高的随机性。这种方法有助于快速发现新的学习方法，从而加快学习过程

当算法进入后期时，最弱的个体不断向表现最好的个体学习，同时应用新获得的知识对搜索空间进行深入探索，从而稳步积累知识储备。具体过程如式（13）所示。为了实现这一目标，该算法采用更小的步长和更精细的搜索策略，确保最弱的个体通过向表现最好的个体学习进一步加深理解。因此，无论是知识的深度还是广度

然而，如果最弱的个体在规定的尝试次数内未能取得进展，这表明当前的学习策略是无效的，那么就需要改变方法。为了解决这种停滞，非常规的学习策略被引入，以帮助个人打破认知固定和摆脱局部思维陷阱。在式（14）中阐述的这种替代机制探索了新的搜索行为以增强学习能力

知识交流和创新阶段：在这个阶段，每个个体（候选解决方案）根据自己的知识储备提供独特的信息。通过信息交换机制，个体之间相互作用，共享知识，实现广泛的知识交换[78]。从宏观的角度来看，这种方法可以探索解决方案空间，有效地减少认知偏差，激发新的见解和创造力，逐步完善知识体系。因此，整体知识框架得到加强，如

评估阶段：最后，算法通过选择策略为每个个体选择合适的学习策略。同时，它仔细跟踪每个学习器的更新失败次数。一旦发生更新失败，它将自动恢复到最新的信息交换汇率。通过这种机制，算法可以实现动态自适应。在随后的迭代中，它可以利用这些记录和恢复的汇率来设计新的学习策略

算法伪代码：

03. 对比验证

原文作者通过定性和定量分析相结合的方法，系统地评价了SSLO的绩效。定性分析从收敛行为、种群分布和勘探开采平衡等方面考察了算法的内部工作机制。对CEC2017和CEC2022基准函数进行定量评价，并进行参数灵敏度分析、桶效应消融实验和运行效率评估。

参考文献

Jiaojiao Ye, Khamron Sunat, Sirapat Chiewchanwattana,Stochastic social learning optimization: Combining social learning and bucket theory for efficient optimization,Knowledge-Based Systems,Volume 341,2026,115767,ISSN 0950-7051,https://doi.org/10.1016/j.knosys.2026.115767.