摘要
股票交易所交易优化（Stock Exchange Trading Optimization, SETO）是一种基于种群的元启发式算法，具有紧凑的受市场启发的搜索框架，但其性能可能受到随机初始化不均衡、基于相对强弱指数（Relative Strength Index）的搜索状态识别粗糙以及交易资源过度集中等问题的限制。为克服这些不足，本研究借鉴信息技术投资分析中的概念并将其重新定义为种群搜索机制，提出了一种改进的SETO算法，称为ISETO。首先，设计了一种IT投资组合筛选初始化策略，该策略综合考虑解的质量和空间多样性，以改善初始种群的覆盖范围。其次，提出了一种基于折现回报和下行风险的双状态搜索策略，通过评估历史改进的幅度、时间相关性和风险来自适应地协调探索与开发。第三，设计了一种熵正则化的实物期权资本重新配置策略，根据解的质量、资本效率、技术债务和种群多样性重新分配搜索资源，同时将废弃的候选解重新投资于探索不足的区域，以缓解停滞问题。主导计算复杂度仍约为O(TmaxND)。ISETO在IEEE CEC2020和CEC2022测试集中的22个基准函数上进行了评估，分别在10维和20维设置下与九种代表性元启发式算法进行比较。在传统的基于迭代次数的设置下，ISETO在两个维度下的所有CEC2020函数上均取得最优或并列最优的均值结果，在10维下的全部12个CEC2022函数上取得最优结果，在20维下的12个CEC2022函数中取得11个函数的最优结果。在相同目标函数评估预算下的额外实验表明，这些优势并非简单地由额外的函数评估次数所导致。经Holm校正的统计检验和Cliff's delta效应量进一步证实了所观察到的改进的显著性和实际幅值。消融实验验证了所提出的三种机制均做出了积极贡献，而参数敏感性和种群多样性分析表明ISETO对参数变化具有较好的鲁棒性，并在进化过程中更好地保持了探索能力。与原始SETO相比，ISETO引入的额外机制仅带来了适度的计算时间开销。此外，ISETO还被应用于三维机械臂路径规划问题。在超过30次独立运行中，其获得的最优目标值为290.69，均值目标值为291.91。其最优结果比最佳对比结果低5.56%，而均值结果相比原始SETO提高了约6.02%。这些结果表明，ISETO在保持竞争力的计算效率的同时，提供了更优的收敛精度、鲁棒性和搜索多样性，在约束工程优化方面具有广阔的应用前景。
