1. 课题来源与背景：该成果来源于国家自然科学基金课题“基于可变频率变压器的变速变频近海风电系统控制研究”（课题编号51307025）。在研究复杂工程系统最优化问题中，率先发现了引起群智能优化方法早熟收敛的维局部最优现象。

    2. 研究目的与意义：本成果旨在揭示维局部最优性在种群内的链式动态传播机理，证明纵横双交叉机制在解决维局部最优问题的有效性，这不仅可以大大丰富群智能优化方法的理论内涵，同时为群智能优化算法在解决实际复杂优化问题时克服早熟收敛提供新的解决思路。

    3. 主要论点与论据：针对群智能优化方法难以克服早熟收敛这一共性难题，该成果在国际上率先发现了维局部最优现象，在此基础上提出了一种纵横交叉群智能优化（Crisscross optimization, CSO）理论，为从根本上缓解早熟收敛问题开辟了新的解决途径。并将该理论与算法应用于解决电网优化调度、新能源发电预测等问题，为加快我国的智能电网建设和新能源电能消纳提供了坚实的优化理论基础与方法。该成果的5篇代表作性论文包括4篇SCI-TOP期刊论文和1篇EI中文期刊论文，分别在Web of Science核心合集数据库和中国知网数据库中他引次数达245次和17次。

    4. 创见与创新：1) CSO理论及算法实现: 发现了维局部最优现象，提出了一种全新的CSO群智能优化方法，推导了CSO理论的数学模型，揭示了维局部最优性在种群内的链式动态传播机理，证明了纵横双交叉机制在解决维局部最优问题的有效性，这为群智能优化算法克服早熟收敛提供了新的解决思路，具有重要的理论价值。2) CSO加速理论及算法: 利用纵横交叉双搜索机制摆脱维局部最优的优势，分别提出了一种加速粒子群算法（CSPSO）和一种加速差分进化算法（SDE）。该成果揭示了纵横交叉融合方法的催化加速数学本质，为群智能优化方法解决维局部最优问题的种群更新机制提供了新的理论依据与实验支撑，扩展了群智能优化方法的理论内涵。3)机器学习模型CSO优化方法: 首先提出了适于神经网络训练学习的纵横交叉优化方法，突破了常规神经网络训练学习的收敛性难题，并在风速预测问题上得到了成功的验证，该成果为机器学习模型参数调节的群智能优化方法应用开辟了一个新的研究方向。 4）CSO在大规模非凸优化问题中的应用：首次将CSO方法应用于求解含24000个控制变量的多燃料电网调度问题中，成功验证了CSO理论及算法在解决超大规模非凸优化问题上的有效性，具有很好的应用前景和工程价值。

    5. 社会经济效益：该项目成果在解决大规模复杂工程优化问题方面具有良好的前景，具有很好的社会经济效益。

    6. 历年获奖情况：无。