基于镜面反射学习与概率驱动混合变异策略的改进星鸦优化算法SPNOA及其全局优化应用

《Biomimetics》:SPNOA: An Improved Nutcracker Optimizer Based on Specular Reflection Learning and Probability-Driven Hybrid Mutation Strategy for Global Optimization

【字体: 大 中 小 】 时间:2026年10月22日 来源:Biomimetics 4.2

编辑推荐:

  : 星鸦优化算法(Nutcracker Optimization Algorithm, NOA)是一种新型群体智能算法,其灵感来源于星鸦在两个不同时期所表现出的不同自然行为。与许多经典算法相比,NOA在各种测试套件和优化问题上表现出较强的竞争力。然而,NOA仍

  
: 星鸦优化算法(Nutcracker Optimization Algorithm, NOA)是一种新型群体智能算法,其灵感来源于星鸦在两个不同时期所表现出的不同自然行为。与许多经典算法相比,NOA在各种测试套件和优化问题上表现出较强的竞争力。然而,NOA仍存在陷入局部最优、勘探与开发之间失衡以及收敛精度不足等缺陷。为解决上述不足,本文提出一种多策略增强的NOA,称为SPNOA。所提出的方法融合了镜面反射学习(Specular Reflection Learning)、非线性收敛因子(Nonlinear Convergence Factor)、多样性攻击策略(Diversity Attack Strategy)以及概率驱动混合变异策略(Probability-Driven Hybrid Mutation Strategy)。首先,采用镜面反射学习策略增强初始种群的多样性;其次,引入非线性收敛因子以平衡SPNOA的勘探与开发能力;随后,为增强算法的开发能力并提高其收敛精度,采用多样性攻击策略替代觅食与储存策略中的储存阶段;最后,在每次迭代结束前使用概率驱动混合变异策略,帮助SPNOA摆脱局部最优。随后,选取NOA、新提出的算法、高性能改进算法以及CEC竞赛获奖算法作为对比算法。研究在CEC2020测试套件的多个维度上开展实验以评估SPNOA的性能。结果表明,所提出的SPNOA展现出优越的收敛精度和鲁棒性。最后,选取来自不同领域的27个真实世界工程问题,以验证SPNOA处理实际优化问题的能力。实验结果表明,SPNOA在求解具有不同维度的复杂真实世界优化问题方面仍保持竞争优势。
论文解读:
一、研究背景与问题提出
优化问题是指在给定可行集内选择最优解以最大化或最小化目标值的问题,几乎所有科学技术领域都涉及优化问题。随着社会的持续进步,现实世界优化问题的复杂性不断攀升。由于这些优化问题通常呈现非线性、多模态、不可微和高维等特征,传统优化算法难以高效求解,其原因在于传统算法往往具有较高的时间复杂度,在求解大规模实际工程问题时可能需要较长的求解时间并遭遇困难。元启发式算法(Metaheuristic Algorithm, MA)因具有简单、灵活、无需导数机制等优点而受到广泛关注。MA主要从自然现象或机制中汲取灵感,其原理相对简单但对不同优化问题具有高度实用性。根据算法灵感来源的不同,MA可分为进化算法(Evolutionary Algorithm, EA)、基于物理或数学原理的算法、群体智能算法(Swarm Intelligence, SI)以及基于人类行为的算法。
根据无免费午餐定理(No Free Lunch, NFL),没有任何算法能对所有优化问题普遍有效,这意味着每种MA都有其擅长处理的优化问题类型和无法高效求解的问题类型。这一理论推动智能优化领域的研究人员不断发明新算法或改进现有算法,以适应更多样化的优化问题类型。勘探与开发是MA的两个最重要组成部分:在勘探阶段,MA访问可行域内未被发现的邻域,从而显著提高定位全局最优的效率;在开发阶段,MA在先前确定的最优解周围区域进行搜索,以精炼并获得全局最优解。成功平衡这两个重要阶段后,算法才能在特定优化任务中达到最优性能。
星鸦优化算法(NOA)是一种受星鸦在两个时期不同自然行为启发的创新MA,其灵感来源于星鸦在夏秋两季觅食并储存种子的行为(觅食与储存策略),以及在冬春两季通过不同角度的标记物定位隐藏储存点的行为(缓存搜索与恢复策略)。与其他MA一样,原始NOA存在勘探与开发不平衡、易于过早收敛和求解精度有限等缺陷。此外,现有NOA变体虽然通过混沌映射、高质量种群初始化和扰动候选生成等手段增强了搜索过程,但仍面临过早收敛或勘探与开发过程失衡等问题。因此,本文提出一种基于镜面反射学习和概率驱动混合变异策略的改进星鸦优化算法SPNOA,旨在进一步提升NOA的优化能力。
二、研究内容与主要结论
研究人员提出了一种多策略增强的NOA变体SPNOA,该算法在保留NOA双行为框架的基础上,通过四种机制改进其初始化、勘探-开发控制、种群多样性和局部最优规避能力。在CEC2020测试套件上,SPNOA与16种代表性高性能算法在10维、20维和50维条件下进行了大量对比实验,并通过非参数统计检验和可视化分析深入验证了SPNOA的优势。此外,研究人员还选取了来自工业化学过程、过程综合与设计、机械工程、电力系统和电力电子五个领域的27个真实世界工程问题,验证了SPNOA处理复杂实际优化问题的能力。实验结果表明,SPNOA在收敛精度和鲁棒性方面优于对比算法,在求解复杂真实世界优化问题方面保持竞争优势。
三、关键技术方法
研究人员在改进NOA过程中采用了四种关键技术策略。第一,镜面反射学习策略(Specular Reflection Learning, SRL)用于种群初始化,通过模拟光的镜面反射现象生成镜像解,增强初始种群多样性并加速收敛。第二,非线性收敛因子用于替代原算法中两个重要策略的交换概率以及觅食与储存策略中两个阶段的交换概率,实现勘探与开发的深度平衡。第三,多样性攻击策略受红嘴蓝鹊优化器(Red-billed Blue Magpie Optimizer, RBMO)启发,用于替代觅食与储存策略中的储存阶段,增强算法的开发能力。第四,概率驱动混合变异策略融合了准反射学习(Quasi-Reflection-Based Learning, QRBL)和自适应引导变异策略(Adaptive Guided Mutation Strategy, AGMS),在每次迭代结束前交替执行,帮助算法摆脱局部最优。实验环境为Windows 11(64位)、AMD Ryzen 7 7745HX处理器、MATLAB 2020b。
四、研究结果
消融实验:研究人员在10维CEC2020测试套件上比较了原始NOA、嵌入单一策略的变体以及从完整SPNOA中移除某一策略的变体。结果表明每种策略对算法性能的贡献各不相同,四种策略的整合并不保证在每个函数上都达到最优性能,但总体上验证了这些策略对提升SPNOA性能的有效性。
敏感性分析:研究人员对δ、Prp和Pa2三个关键参数进行了敏感性分析,在30维CEC2020测试套件上通过50次独立重复实验确定最优参数值。实验结果表明δ和Prp的最优值均为0.1,Pa2的最优值为0.3。这些参数值在后续不同维度和工程问题实验中保持不变,间接证明了其鲁棒性。
收敛因子形式对比分析:研究人员比较了原始线性形式和指数为2、4、6的幂次非线性收敛因子四种形式。结果表明四次幂形式获得最低平均排名1.9,优于线性形式的2.7、二次幂形式的2.6和六次幂形式的2.2,支持了SPNOA采用四次幂非线性因子的选择。
CEC2020测试套件结果分析:在单峰函数F1上,SPNOA在10维和20维下均收敛到最优解,但随着维度增加稳定性略有下降。在基函数F2上,SPNOA在三个维度上的平均值均排名第一。在混合函数F5-F7上,SPNOA在10维和20维下几乎全部排名第一。在组合函数F8-F10上,SPNOA虽未在所有维度上绝对领先,但均能排名前四并保持较小波动。计算时间方面,SPNOA相比NOA仅略有增加,且低于新增的最先进对比算法。
统计检验:Friedman检验结果显示SPNOA在17种算法中获得最小平均排名,表明其整体性能最佳。Wilcoxon秩和检验结果表明SPNOA在大多数测试函数上显著优于对比算法,进一步验证了SPNOA的有效性和优越性。
数据可视化分析:收敛曲线显示SPNOA的收敛过程更稳定,在F1和F4函数上更快达到全局最优,在F9和F10上表现出比NOA更好的收敛速度和精度。箱线图显示SPNOA在大多数情况下具有最短的箱体、最低的位置和最少的离群值,表明其具有优越的稳定性和收敛精度。雷达图显示SPNOA具有最小的阴影面积,但并非在所有函数上都排名第一,这一现象印证了NFL定理。
工程设计优化:研究人员将SPNOA应用于CEC2020真实世界问题测试套件中的27个约束优化问题,涵盖工业化学过程(RW01-RW03)、过程综合与设计(RW04-RW09)、机械工程(RW10-RW22)、电力系统(RW23)和电力电子(RW24-RW27)五个领域。每个类别中选取了一个代表性问题进行详细阐述,包括烷基化装置优化运行问题、过程综合问题、减速器重量最小化问题和风电场布局问题。
五、结论与讨论
研究人员提出的SPNOA通过镜面反射学习策略改善了初始种群质量,通过非线性收敛因子实现了勘探与开发的深度平衡,通过多样性攻击策略增强了开发能力和收敛精度,通过概率驱动混合变异策略提升了摆脱局部最优的能力。在CEC2020测试套件上的大量实验表明,SPNOA在收敛精度和鲁棒性方面优于原始NOA和多种高性能对比算法,Friedman检验确认了其整体最优性能。在27个真实世界工程问题上的应用进一步验证了SPNOA处理复杂实际优化问题的能力。SPNOA的计算时间开销相比NOA仅略有增加,但低于新增的最先进对比算法,表明改进并未以显著增加计算成本为代价。未来工作可进一步探索SPNOA在更多实际应用领域中的潜力,以及将其扩展到多目标优化等更广泛的优化场景。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号