协方差引导的追击猛禽优化算法及其在数值优化与路径规划中的应用

《Scientific Reports》：A Covariance-Guided Pursuit Birds of Prey-Based Optimization for global optimization and UAV path planning

　　

摘要

基于猛禽优化的算法（BPBO）在求解旋转、多峰和高维优化问题时，可能存在方向引导不足、种群学习无差异和过早停滞的问题。针对这些局限性，本研究提出了一种协方差引导的追击猛禽优化算法（CGP-BPBO），该算法集成了三种互补机制。精英记忆协方差旋转引导（EMCRG）利用精英个体的协方差结构，在最优引导分支中引入各向异性校正。基于排名的动态追击学习（RBDPL）根据个体适应度排名分配不同的学习行为。停滞感知高斯-柯西变异（SAGCM）在搜索改进停止时，应用状态依赖的扰动以恢复多样性。CGP-BPBO在30次独立运行的条件下，使用IEEE进化计算大会2017（CEC2017）和2022（CEC2022）基准测试套件进行评估。在排除官方弃用的CEC2017 F2函数后，CGP-BPBO在剩余的29个CEC2017函数中的17个函数上取得了最佳均值结果，并且在报告的均值方面，在所有29个函数上都优于原始BPBO。在10维和20维的CEC2022套件上，CGP-BPBO分别在12/12和11/12个函数上优于BPBO。根据基准测试表中报告的均值结果，CGP-BPBO在CEC2017-30D、CEC2022-10D和CEC2022-20D上分别获得了最低的Friedman平均排名1.79、1.79和2.96。在三维无人机（UAV）路径规划实验中，CGP-BPBO实现了239.8048的平均路径成本和26.2686的标准差，与BPBO相比分别降低了21.74%和59.68%。这些结果表明，CGP-BPBO在数值优化和约束路径规划方面具有竞争力，同时其协方差分解在高维问题中引入了额外的计算成本。