诸如协同协同进化遗传算法（CCGA）和协同粒子群优化（CPSO）算法之类的协同优化算法已经成功地解决了许多优化问题。 协作优化算法中最重要的问题之一是分解任务。 关于变量相互依赖性的分解决策在算法的性能中起着重要作用。 当考虑解决不可分离的问题时，不考虑变量相互依赖性的算法通常会失去其有效性和优势。 在本文中，我们提出了一种具有统计变量相互依赖学习（CPSO-SL）的协作粒子群优化器。 提出了一个统计模型来探讨变量之间的相互依赖性。 有了这些相互依存关系，该算法将大规模问题分解为重叠的小规模子问题。 此外，提出了CPSO框架来协同优化子问题。 最后，提出了理论分析以进一步理解建议的CPSO-SL。在10个经典基准，10个旋转经典基准和10个CEC2005基准上进行了模拟实验。 结果表明，与其他最近的合作优化算法相比，CPSO-SL在解决可分离和不可分离问题方面的性能更高。
