基于局部引导与自适应学习的改进人工电场算法及其在全局优化中的应用

针对人工电场算法(AEFA)因全局邻域拓扑导致的早熟收敛问题，研究人员提出局部引导人工电场算法(L-AEFA)，通过动态调整Kbest集合、构建Kngh邻域力及自适应库仑常数，结合DE/current-to-pbest/1变异策略，显著提升算法在CEC基准测试中的收敛精度与搜索能力。

　　

在复杂优化问题日益成为工程与科学领域核心挑战的背景下，传统人工电场算法(AEFA)因依赖全局邻域拓扑和固定参数，常陷入早熟收敛和环境同质化困境。这一局限性促使印度理工学院贾朗达尔分校的研究团队开展创新研究，提出局部引导人工电场算法(L-AEFA)，相关成果发表于《Knowledge-Based Systems》。

研究团队采用多策略融合技术：通过历史最优(K_best)、当前最劣个体构建动态邻域；引入距离指数生成K_ngh邻域集增强局部搜索；设计基于个体成功失败史的自适应库仑常数；整合DE/current-to-pbest/1变异策略消除重复个体。实验采用CEC 2017/2020/2022基准集，覆盖5-100维空间。

主要研究结果

1. 局部引导机制：通过距离指数动态选择K_best^′个体，使算法收敛速度较原AEFA提升23.5%。
2. 邻域增强：构建K_ngh集合产生的附加静电力，使高维问题求解精度提高1-2个数量级。
3. 自适应参数：基于个体历史的库仑常数调整策略，在CEC 2022复合函数测试中显著降低早熟风险。
4. 多样性保持：DE变异策略使种群多样性指标提升37%，有效避免局部最优。

结论与意义
L-AEFA通过四大创新机制重构了人工电场算法的学习范式：位置关系驱动的动态拓扑、邻域增强的静电力计算、参数自适应调整和种群质量管控。在51个基准问题测试中，其综合性能超越17种对比算法（包括多种AEFA变体），尤其在100维问题上展现出显著优势。该研究为物理启发算法提供了可扩展的改进框架，其局部引导策略和聚合学习机制对解决高维非线性工程优化问题具有重要参考价值。研究同时验证了"在特定问题子集设计通用算法"的可行性，为突破NFL定理的实践限制提供了新证据。