《Symmetry》：The Graduate Student Evolution Algorithm Based on the Improvement of Mental Health and Ideological and Political Education for Global Optimization and Practical Problems
编辑推荐：
研究生进化算法（Graduate Student Evolution Algorithm, GSEA）提供了一种简单的基于种群的优化框架，但其性能可能受限于不可靠的导师选择、学习行为适应性不足以及对历史搜索信息利用不充分等问题。从对称性相关的搜索协调角度来看，
研究生进化算法（Graduate Student Evolution Algorithm, GSEA）提供了一种简单的基于种群的优化框架，但其性能可能受限于不可靠的导师选择、学习行为适应性不足以及对历史搜索信息利用不充分等问题。从对称性相关的搜索协调角度来看，在容纳不同个体和搜索经验的不对称贡献的同时，维持探索与开发之间的适当平衡对于实现有效优化至关重要。为解决这些挑战，本研究提出了一种改进的研究生进化算法（Improved Graduate Student Evolution Algorithm, IGSEA），用于全局优化和并网微电网调度。研究人员将三种互补机制融入原始框架：首先，一种基于心理韧性的自适应学习调节策略根据相对适应度和停滞信息调整个体搜索行为，促进全局探索与局部开发之间的动态平衡；其次，一种集体价值引导的导师-同伴协作策略整合了全局最优解、排名加权的精英信息、种群共识和同伴差异，以构建更可靠的搜索引导，同时协调个体与集体信息；第三，一种基于实践反思的知识反馈策略利用成功与不成功搜索运动的不对称反馈，保留有益方向并利用不成功的更新生成修正信息。通过这些机制，IGSEA旨在协调相互竞争的搜索需求，而无需对优化景观施加人为的对称性。所提出的算法在CEC2017基准测试套件上进行了评估，维度设置为10维、30维、50维和100维。数值结果、收敛曲线、箱线图、弗里德曼排名和威尔科克森符号秩检验证明了其具有竞争力的求解精度和鲁棒性。IGSEA在四种维度设置下分别获得了1.47、1.33、1.43和1.87的弗里德曼平均排名。此外，IGSEA被应用于包含可再生能源、可调度发电机、电池储能和公用电网交互的并网微电网日前调度问题。其实现了1275.65的最佳调度成本和1393.56的平均成本，与CBSO相比平均成本降低了9.42%，与原始GSEA相比降低了19.15%。这些结果表明，IGSEA通过在数值和约束工程优化问题中协调自适应搜索调节、集体引导和不对称知识反馈，提供了一种具有竞争力的优化方法。
一、研究背景、现存问题与研究意义
优化问题广泛存在于科学研究与工程实践中，如能源管理、生产调度、路径规划等。许多实际优化任务涉及非线性目标函数、不连续搜索空间、多局部极值、强耦合变量及复杂约束，传统数学规划方法效果有限。元启发式算法因其灵活框架和广泛适用性成为重要解决手段，但尚无算法能在所有问题上保持最佳性能，其有效性高度依赖种群初始化质量、搜索多样性维护、引导信息的可靠性以及全局探索与局部开发的协调。原始研究生进化算法（Graduate Student Evolution Algorithm, GSEA）作为一种模拟研究生培养过程的群体优化器，存在若干局限：初始种群随机采样在高维空间分布不佳；研究方向阶段过度依赖随机选择的导师和同伴，引导不可靠；搜索强度未根据个体当前性能和停滞状态调整；知识积累主要依赖贪婪选择，未能显式保留成功或失败更新的方向信息。为此，研究人员从心理健康教育与思政教育理念中获得启发——前者强调韧性、自我调节与挫折恢复，后者注重集体责任、价值引导与合作——将这些理念转化为显式搜索算子，提出了改进的研究生进化算法（Improved Graduate Student Evolution Algorithm, IGSEA），旨在增强种群多样性、提高引导可靠性并改善从探索到开发的过渡能力。
二、研究方法与技术路线
本研究主要采用三种互补的机制对原始GSEA进行改进：1）基于心理韧性的自适应学习调节策略（Mental-Resilience-Based Adaptive Learning Regulation Strategy），通过归一化适应度质量和个体停滞信息动态协调种群差异探索与最优解开发；2）集体价值引导的导师-同伴协作策略（Collective Value-Guided Mentor-Peer Collaboration Strategy），整合全局最优解、排名加权精英知识、种群共识和同伴差异构建结构化多源引导；3）基于实践反思的知识反馈策略（Practice-Reflection-Based Knowledge Feedback Strategy），记录每次试验产生的位移，将成功运动视为正向经验，并将不成功运动转换为修正方向信息。算法性能在CEC2017基准测试套件（包含单峰、多峰、混合和复合函数）上进行评估，维度设置为10、30、50和100维，并与包括原始GSEA、MIGSEA、LSHADE在内的11种代表性算法进行比较。同时，IGSEA被应用于并网微电网日前调度问题，该微电网包含光伏（Photovoltaic, PV）、风力涡轮机（Wind Turbine, WT）、燃料电池（Fuel Cell, FC）、微型燃气轮机（Microturbine, MT）、燃气发动机（Gas Engine, GS）、电池储能系统（Battery Energy Storage, BT）及外部公用电网，调度目标是在满足功率平衡和设备约束的前提下最小化总日运行成本。
三、研究结果
CEC2017基准测试结果：IGSEA在10D、30D、50D和100D四种维度设置下均表现出强劲竞争力。数值结果显示，IGSEA获得的弗里德曼（Friedman）平均排名分别为1.47、1.33、1.43和1.87，在所有12种比较算法中位列第一。收敛曲线表明IGSEA具有稳定的收敛行为和良好的搜索效率，箱线图显示其结果分布集中且异常值较少。威尔科克森符号秩检验（Wilcoxon Signed-Rank Test）进一步证实了IGSEA相对于多数比较算法的统计显著性优势。
微电网调度结果：IGSEA在并网微电网日前调度问题中取得了1275.65的最佳调度成本和1393.56的平均成本，相较于CBSO平均成本降低9.42%，相较于原始GSEA降低19.15%。IGSEA能够有效协调可再生能源出力、可调度发电机输出、电池充放电及电网购售电，在满足所有运行约束的条件下获得经济性最优的调度方案。
执行时间对比：IGSEA的执行时间略高于原始GSEA，在10D、30D、50D和100D下分别增加约88.60%、35.78%、19.67%和3.00%，但相对开销随维度升高显著下降。IGSEA在100D下的执行时间为2.8612秒，远低于同族算法MIGSEA的5.8201秒，表明其额外计算开销处于可接受范围。
四、讨论与结论
本研究针对原始GSEA存在的引导不可靠、搜索行为缺乏适应性及历史信息利用不足三个核心缺陷，从心理健康教育和思政教育的核心理念出发，设计了三种互补的改进机制并将其有机集成到GSEA框架中。这三种机制分别作用于个体层面（基于适应度和停滞状态的搜索调节）、种群层面（多源集体引导）和知识积累层面（成功与失败经验的方向性记忆），共同构建了一个自适应的、集体引导的、经验驱动的优化架构。研究结论指出，IGSEA通过协调自适应搜索调节、集体引导和不对称知识反馈，在数值优化和约束工程优化问题中提供了具有竞争力的优化方法。在CEC2017基准测试中，IGSEA在10D、30D、50D和100D四种维度下均获得了最优的弗里德曼平均排名；在并网微电网调度应用中，IGSEA分别比CBSO和原始GSEA降低了9.42%和19.15%的平均调度成本。这些结果表明，IGSEA能够有效应对高维复杂优化问题和实际约束优化挑战，为基于人类学习和教育过程启发的元启发式算法设计提供了新的思路。
