基于多提案局部搜索与压缩共识的Centipede优化算法（CeOA）在约束工程优化中的应用与性能评估

本文提出了一种新型元启发式算法——Centipede优化算法（CeOA），该算法融合了多提案（best-of-L）高斯局部搜索与压缩共识（contractive consensus）机制，并采用边界裁剪策略处理约束。CeOA在六类经典工程优化问题（弹簧、焊接梁、压力容器等）和10个CEC-2017基准函数上表现出优越的收敛速度和求解质量，其算子级设计兼顾了探索与开发的平衡，为复杂约束优化问题提供了高效可靠的解决方案。

　　

Highlight

CeOA是一种面向约束优化的算子调度型元启发式算法，其核心由两个算子构成：

• •
  多提案局部搜索（best-of-L）：每个代理生成L个独立的高斯分布提案 y(i,l) = xi + α⊙(UB?LB)⊙z(i,l)，其中 z(i,l) ～ N(0,I)，并从中选择最优提案作为更新方向（仅当优于当前解时接受）。
• •
  压缩共识与边界裁剪：代理以比例γ向当前精英解方向收缩，并通过 clip((1?γ)x?i + γx^elite; LB, UB) 进行边界约束处理，γ∈(0,1)。

Pseudocode of the CeOA

CeOA在算子层面实现：种群在[LB, UB]内均匀初始化，并通过惩罚函数评估。每轮迭代中，每个代理生成L个局部提案并接受最优改进解；随后通过压缩共识步向精英解方向移动并裁剪边界，精英解更新为当前最优可行解。所有L次提案评估均计入计算代价。

Results on Constrained Engineering Designs and CEC-2017 Benchmarks

本节报告两类测试结果：（1）六类经典约束工程设计（弹簧、焊接梁、压力容器等）；（2）10个代表性CEC-2017函数（F1、F3等），维度D=10，每轮2×10⁵次函数评估（FEs），30次独立重复实验。所有方法采用相同评估预算、随机种子和约束处理策略。

Conclusion and future work

本研究提出的Centipede优化算法（CeOA）融合了best-of-L高斯局部搜索与压缩共识机制，在六类工程设计和CEC-2017函数上均表现出优越性能。未来工作将扩展CeOA至多目标与动态优化场景，并探索其与其他计算智能方法的混合策略。