优化问题伴随着人们生活的方方面面,很多工业问题都可以转化为优化问题。随着处理维度的增长,求解问题的日趋复杂,传统的小规模优化问题已经满足不了当下社会的需求。在处理大规模优化问题上,用来解决传统优化问题的常规优化算法已经很难求得全局最优解。因此迫切需要更好的求解大规模优化问题的新方法,新策略。本文针对大规模优化问题,以社会粒子群学习算法为基础,提出了面向大规模优化问题的混合社会学习粒子群算法。本文的研究主要包括以下两个方面:首先,社会学习的优势在于粒子本身几乎需要很少成本就可以学习其他粒子的优点,来弥补自身的不足。处于不同进化状态下的粒子具有不同的开发潜力,水平学习的好处是将不同水平的粒子进行区别对待,尽可能的发挥它们的潜力。本文将社会学习机制,水平学习机制引入粒子群优化算法,提出了混合社会学习粒子群算法(Hybrid Social Learning Particle Swarm Optimization,HSL-PSO)。与传统的粒子群算法变体不同的是,没有使用全局最优解和局部最优解来指导粒子的学习,而是粒子向处在不同水平区间中的优势粒子进行社会学习。实验结果表明该算法在解决大规模优化问题上效果显著。其次,在混合社会学习粒子群算法的基础上提出了基于估值模型的反向混合社会学习粒子群算法(Valuation Model Reverse Hybrid Social Learning Particle Swarm Optimization,VM-HSL-PSO)。混合社会学习粒子群算法在求解水平学习区间时浪费了大量的评估次数,本文通过融入估值模型,使得混合社会学习算法在相同的评价次数下,可以继续寻找全局最优解。在对混合社会学习粒子群算法研究过程中发现,混合社会学习粒子群算法在进化后期出现大量的同化现象,而同化使得粒子会很大程度上陷入学习瓶颈而止步于局部最优解,失去了更加广阔的搜索区域。针对上述问题,本文引入反向学习机制,当粒子在进化后期出现同化现象时,可以通过反向社会学习,在一定程度上跳出局部最优环境,进入更广阔的区域进行寻优。最后,通过大量的数据实验,结果表明VM-HSL-PSO算法具有较强的寻优能力,对大规模优化问题有很好的优化效果。