改进群居蜘蛛优化算法提升复杂多峰函数求解性能

本文主要探讨了多峰函数优化问题在实际应用中的重要性和挑战。多峰函数优化因其广泛应用于诸如工程设计、机器学习、信号处理等多个领域而成为智能优化算法研究的热点问题。传统的启发式算法，如粒子 swarm optimization (PSO) 和群居蜘蛛优化 (SSO)，在解决高维多峰函数问题时，往往难以找到所有峰点，容易陷入局部最优，导致收敛速度慢且精度不足。 针对SSO算法在求解复杂多峰函数时的成功率不高和收敛精度低的问题，研究人员提出了自适应多种群回溯群居蜘蛛优化 (Adaptive Multi-swarm Backtracking Social Spiders Optimization, AMBSSO)。这一改进算法的核心创新包括引入自适应决策半径机制，通过动态划分种群，使得种群内的个体根据自身的适应度采用不同的更新策略，从而增加了种群的样本多样性，有助于避免过早收敛并提高算法的全局寻优能力。 AMBSSO进一步采用了回溯迭代进化策略，不仅关注全局极值的搜索，还在进化过程中结合回溯操作，确保算法在不断进化的同时，逐步逼近最优解。这种策略有助于提升算法的收敛速度和精度，尤其是在面对复杂高维多峰函数时，其表现明显优于SSO和PSO等经典算法。 作者列举了一些相关领域的研究工作，比如人工鱼算法和遗传算法的改进，以及具备反向学习和局部学习能力的PSO算法，这些工作虽然在一定程度上提升了算法性能，但"早熟收敛"和收敛效果不佳的问题仍然存在。Cuevas等人的群居蜘蛛优化算法作为基础，AMBSSO在此基础上进行了创新，旨在解决这些问题。 实验证明，通过AMBSSO，能够在高维多峰函数的优化问题中取得更快的收敛速度和更高的收敛精度，特别适用于解决复杂的超高维多峰函数优化问题。因此，该研究对于改进多峰函数优化算法的性能，特别是在解决实际工程问题中的复杂优化任务，具有重要的理论和实践价值。