基于粒子群优化改进的麋鹿群优化算法AEHO：一种解决复杂优化问题的新型混合元启发式方法

本文推荐研究人员针对传统麋鹿群优化算法(EHO)存在的收敛能力不足、易陷入局部极值等问题，提出融合粒子群优化(PSO)记忆机制的改进算法AEHO。通过引入自适应参数、贪婪选择策略和迭代级混合技术，在CEC2014和CEC2022测试集上实现84%和74%的优化成功率，并在工程设计和工业过程问题中展现出卓越性能，为复杂优化问题提供了新解决方案。

　　

在人工智能和计算智能领域，优化算法的性能提升一直是研究热点。传统麋鹿群优化器(EHO)虽然模拟了麋鹿社会行为和繁殖策略，但存在收敛速度慢、易陷入局部最优等缺陷。这些问题严重限制了该算法在复杂工程优化和工业应用中的表现。随着实际问题复杂度增加，开发兼具高效探索和开发能力的混合优化算法成为迫切需求。

为突破这些限制，Mohammed Azmi Al-Betar团队创新性地将粒子群优化(PSO)的核心机制融入EHO框架，提出了改进型麋鹿群优化器(AEHO)。这项发表在《ARTIFICIAL INTELLIGENCE REVIEW》的研究通过四个关键创新：1)设计自适应指数函数替代随机参数；2)引入PSO的pbest/gbest记忆机制；3)建立迭代级混合优化架构；4)采用贪婪选择策略，显著提升了算法性能。

研究采用的核心技术包括：1)基于CEC2014和CEC2022基准测试集的性能验证；2)死亡罚函数法处理约束工程问题；3)30次独立运行的统计显著性检验；4)Friedman和Holm检验进行算法排名。研究团队还建立了包含张力控制系统的工业过程模型验证实用性。

研究结果部分显示：

1. 1.

   算法改进设计：通过自适应参数γ=ρ₀/(t/T)^ρ₁和ζ=η₀×(t/T)^eη₁-1实现动态平衡，记忆组件Cpbest和Cgbest保留历史最优解。

2. 2.

   基准测试表现：在30维CEC2014测试中，AEHO在16个函数上取得最优解，平均排名3.11显著优于EHO(8.20)和PSO(9.10)。

3. 3.

   工程应用验证：在张力/压缩弹簧设计中获得0.012665的突破性权重，比原始EHO提升0.8%；在减速器设计中成本降低至2994.47，优于所有对比算法。

4. 4.

   工业建模成果：在线性模型T₁和T₃的建立中，取得99.506%的VAF(方差 accounted for)值，验证了算法在复杂工业系统中的实用性。

结论部分强调，AEHO通过系统融合PSO的社交学习机制和EHO的生物启发策略，创造了协同优化效果。在CEC2022高维问题上，算法以1.50的平均排名展现强大扩展性。研究不仅提供了新的优化工具，其混合设计思路也为其他元启发式算法的改进提供了范式。特别是在张力控制系统建模中的成功应用，证明了算法在解决实际工业问题中的巨大潜力。这项工作推动了计算智能领域的发展，为复杂系统优化开辟了新途径。