混合b-爬山与花授粉算法：一种局部细化全球优化策略

"这篇学术论文提出了一种名为HyFPAb-hc的新型混合优化算法，该算法结合了b-爬山优化算法和花授粉算法（FPA），以解决全局优化问题。研究的主要目的是通过结合两种算法的优势来增强搜索过程中的探索与开发平衡，从而提高解决方案的质量。" 在优化领域，全局优化是指寻找复杂多模态函数的全局最优解，这对于许多实际问题如工程设计、机器学习模型参数调整等至关重要。爬山优化算法是一种基于迭代的局部搜索方法，它通过逐步改进当前解来逼近局部最优。然而，爬山算法可能会陷入局部最优，难以跳出，这限制了其在全局搜索中的表现。 另一方面，花授粉算法是一种受到自然界中花粉传播过程启发的群体优化算法，它能够在搜索空间中探索多个局部区域，有助于避免早熟收敛。FPA通过模拟花朵间的授粉过程来探索潜在的解决方案，具有较好的全局搜索能力。 论文中，研究人员将这两种算法进行融合，创建了HyFPAb-hc算法，期望在保持FPA的全局探索能力的同时，利用爬山算法的局部细化能力。通过对IEEE-CEC2015标准测试集中的15个单峰和多峰函数进行评估，结果证明了HyFPAb-hc在不同尺寸问题上的收敛性能优于纯FPA，并且与其他26种先进的优化算法进行了对比，显示出优秀的性能。 实验部分，作者们考察了三个不同规模的问题（维度分别为10、30和50），这些结果进一步证实了HyFPAb-hc在处理不同规模的全局优化问题时，能够与已有的优化方法相比提供更优的解决方案。 这项工作为全局优化问题提供了一个新的视角，通过混合不同优化策略来提升算法的性能。HyFPAb-hc算法的提出，不仅丰富了全局优化的算法库，也为未来的研究提供了新的方向，尤其是在应对高维度和复杂优化问题时如何更好地平衡局部搜索和全局探索。