基于原生动物仿生的人工原虫优化器：一种解决复杂工程优化问题的新型元启发式算法

本研究针对高维复杂优化问题，提出受原生动物觅食行为启发的Artificial Protozoa Optimizer (APO)算法。通过模拟趋化导航、伪足运动及自适应反馈学习机制，APO在20个经典基准函数、IEEE CEC 2019测试集及6个工程问题中表现优异，在18项基准测试中超越DE、PSO和GWO等传统算法，为工程优化提供新范式。

　　

在工程优化领域，传统算法如差分进化(DE)、粒子群优化(PSO)和灰狼优化器(GWO)常面临"维度诅咒"和早熟收敛的困境。随着问题复杂度指数级增长，这些方法在非凸、多峰的高维搜索空间中往往表现乏力。正是这样的背景下，约旦安曼阿拉伯大学的Mohammad Shehab从单细胞生物的生存智慧中获得灵感——自然界中，原生动物(Protozoa)仅凭简单结构就能通过趋化性(Chemotaxis)、伪足延伸(Pseudopodial movement)等机制高效探索复杂环境。这种生物本能与优化算法所需的探索-开发平衡惊人相似，催生了这项发表于《Results in Engineering》的创新研究。

研究人员通过数学建模将原生动物行为转化为优化框架，开发出人工原虫优化器(APO)。其核心技术包含三个仿生模块：基于化学梯度感应的趋化导航实现全局探索，伪足收缩机制强化局部开发，而历史轨迹反馈则赋予算法动态调整能力。研究采用三阶段验证体系：20个经典基准函数测试基础性能，IEEE CEC 2019套件评估复杂场景适应性，最后通过结构设计、PID控制等6个工程案例验证实用价值。所有实验均设置30次独立运行确保统计显著性，并与DE、PSO等算法进行Wilcoxon检验对比。

在"4. Artificial Protozoa Optimizer"章节，算法设计展现出精巧的生物模拟。初始化阶段，N个"人工原虫"在D维空间随机分布（公式1）。趋化导航阶段（公式2-3）结合目标函数梯度?f(X_i)与高斯扰动N(0,1)，实现方向性搜索与随机探索的平衡。伪足开发阶段（公式4-5）通过时变收缩系数r(t)=r₀(1-t/T)引导种群向最优解X_best聚集。自适应学习模块（公式6）则利用历史位置X_i^prev进行轨迹修正，λ系数控制记忆强度。这种三重机制使APO在"5.1 Analysis of Performance"中展现出独特优势——在30维测试中，18/20经典函数上超越对比算法，如F1函数达到1.01×10^-30精度（表3）。

"IEEE CEC 2019 Benchmark Suite"测试（5.2.2节）进一步验证了APO的鲁棒性。在包含混合函数和组合函数的复杂场景中，APO在7/10测试项中领先，如CEC1获得7.00×10^-4±2.9×10^-5的稳定表现（表5）。图2的收敛曲线显示，APO在CEC3等多峰函数中保持平稳下降，而PSO等算法出现明显震荡。这种优势源于梯度感知与随机扰动的协同作用，有效避免了算法陷入欺骗性局部最优。

工程应用部分（5.3节）的实证更具说服力。在结构优化（Prop1）中，APO将设计重量降至6.1±0.7，较GWO降低68.9%（表6）。PID控制器调谐（Prop2）的ITAE指标（公式8）优化至0.05±0.01，印证了其在动态系统中的适应性。虽然DE在最优潮流问题（Prop3）中略优，但APO在WSN定位（Prop4）和光伏参数估计（Prop5）中分别实现4.23×10^-4和0.0102的精度，证实其处理非线性回归问题的卓越能力。

讨论章节（6. Conclusion）指出，APO的成功源于对原生动物行为机制的数学抽象：趋化导航对应全局探索，伪足运动实现局部求精，而反馈学习则模拟了生物的环境适应能力。这种仿生设计为高维优化提供了新思路，特别是在工程约束问题上展现出独特优势。未来工作可聚焦参数自适应、并行化扩展等方向，进一步释放算法潜力。该研究不仅丰富了元启发式算法体系，更为智能制造、能源系统等领域的复杂优化问题提供了可靠工具。