突破局部最优！融合独立思维与局部逃逸的头脑风暴优化算法解析-CSDN博客

本文链接：https://blog.csdn.net/m0_69689054/article/details/146303044

突破局部最优！融合独立思维与局部逃逸的头脑风暴优化算法解析

1. 引言

在工程优化、机器学习等领域，如何高效求解复杂问题一直是研究热点。传统的头脑风暴优化算法（BSO）虽然模拟人类思维过程，但存在收敛精度低、易陷入局部最优等问题。为解决这些痛点，《融合独立思维与局部逃逸的头脑风暴优化算法》提出了一种改进算法（IBSO），通过引入独立思维策略和局部逃逸算子，显著提升了算法的全局搜索能力和稳定性。

2. 传统BSO算法的局限性

BSO算法通过k-means聚类分组，模拟群体讨论生成新解，但存在以下问题：

依赖初始解：新解生成基于已有解的交叉变异，易陷入局部最优。
探索能力不足：缺乏跳出局部区域的有效机制，导致收敛精度受限。

3. IBSO算法核心改进

3.1 独立思维策略

阈值判断：引入阈值 threshold 判断是否陷入停滞：
$\text{threshold} = \ln(FEs) \times \left(\frac{2 \times FEs}{\text{MaxFEs}}\right) \times \cos(\text{rand} \times 90^\circ)$
当实验算子 c 超过阈值时，触发独立思维。
Levy飞行扰动：利用Levy飞行的长距离跳跃特性生成随机解：
$X_r = X_{\text{best}} - \text{levy}(dim) \times (X_{\text{best}} - X_{\text{rand}})$
其中，levy 服从Levy分布，X_{\text{best}} 为当前最优解，X_{\text{rand}} 为随机个体。
新解融合：将随机解与原解结合：
$X_p = w \times X_{\text{new}} + (1-w) \times X_r$

3.2 局部逃逸策略（LEO）

代表性个体选取：包括最优个体、平均值、随机个体等。
新解生成：
$GX_{\text{new}} = GX_{\text{best}} + N\left(0, \left(1-\frac{FEs}{\text{MaxFEs}}\right)\right) \times (GX_{\text{best}} - GX_{\text{avg}})$
其中，N 为正态分布，GX_{\text{avg}} 为种群平均值。
辅助个体增强：通过辅助个体 GX_h^1 和 GX_h^2 扩大搜索范围：
$\begin{aligned} GX_h^1 &= GX_{\text{best}} + N\left(0, \left(1-\frac{FEs}{\text{MaxFEs}}\right)\right) \times (GX_{\text{best}} - GX_{\text{best}}^{\text{rep}}) \\ GX_h^2 &= GX_{\text{best}} + N\left(0, \left(1-\frac{FEs}{\text{MaxFEs}}\right)\right) \times (GX_{\text{best}} - GX_{\text{worst}}^{\text{rep}}) \end{aligned}$

4. 算法流程

初始化种群：随机生成初始解。
聚类与更新：通过k-means聚类分组，生成新解。
独立思维触发：判断是否触发独立思维，生成新解。
局部逃逸增强：利用LEO生成新解，更新种群。
终止条件：达到最大迭代次数后输出最优解。

5. 实验验证

5.1 基准测试

测试函数：CEC2014（30个函数）和CEC2020（10个函数）。
对比算法：BSO、ROA、HHO、DE等8种算法。
结果：IBSO在多数函数上的平均值和标准差优于对比算法。例如：
- CEC20-1：IBSO的平均适应度值为 2.18E+04，标准差 2.84E+04，优于BSO的 3.15E+07 和 4.98E+06。
- CEC14-1：IBSO的平均适应度值为 4.95E+07，标准差 1.12E+07，显著优于BSO的 7.01E+07 和 1.37E+07。