多样性全局最优引导与反向学习结合的离子运动优化算法

"汪超,王丙柱,岑豫皖,谢能刚.基于多样性全局最优引导和反向学习的离子运动算法[J].控制与决策,2020,35(7):1584-1596." 本文提出了一种改进的离子运动算法，旨在解决传统离子运动算法在空间探索和开发能力上的不足。离子运动算法（Ion Motion Algorithm, IMA）是一种基于物理现象的优化算法，模拟了离子在等离子体中的运动规律来寻找问题的最优解。然而，原版IMA可能存在搜索效率低、容易陷入局部最优的问题。 在新提出的算法中，作者在液态阶段引入了多样性反馈搜索机制和全局最优引导策略。多样性反馈搜索机制旨在维护种群的多样性，避免算法过早收敛到局部最优解，通过这种方式鼓励算法在搜索空间中进行更广泛的探索。全局最优引导策略则是通过引导搜索过程朝向已知的全局最优解方向，提高找到全局最优解的概率，增强算法的全局收敛性。 同时，优化算法的晶态阶段初始化过程采用了反向学习方法。反向学习是一种强化学习策略，它通过学习失败案例以避免重复错误，有助于跳出已有的解决方案模式，探索新的解空间。动态惯性改变的初始化概率设计使得算法在初始阶段能够更灵活地调整搜索速度，以适应不同的优化任务。 为了验证新算法的有效性，研究人员将其与23个国际通用的基准测试函数进行了对比，并与一些流行元启发式算法如鲸鱼优化算法、交替正余弦算法、全局和声搜索算法、人工蜂群算法和混合灰狼优化算法等进行了性能评估。评估指标包括平均收敛值、方差、Wilcoxon符号秩检验、收敛成功率以及最优收敛时间等。结果显示，所提算法在这些关键性能指标上表现出色，证明了其在全局优化问题中的优势和实用性。 这种基于多样性全局最优引导和反向学习的离子运动算法为解决复杂优化问题提供了一个有力的工具，特别是在需要广泛搜索和深度探索的高维度优化场景下。这种改进策略不仅适用于离子运动算法，也对其他优化算法的改进具有启示意义。