《Algorithms》：Adaptive Wave Propagation for Diversity Enhancement in Particle Swarm Optimization
编辑推荐：
粒子群优化（Particle Swarm Optimization, PSO）在复杂多模态适应度景观中经常遭遇早熟收敛问题。尽管局部邻域拓扑有助于缓解停滞现象，但通常会牺牲收敛速度。为解决这一权衡问题，本文提出了一种融合波激励与协方差矩阵自适应的粒子群优化算法
粒子群优化（Particle Swarm Optimization, PSO）在复杂多模态适应度景观中经常遭遇早熟收敛问题。尽管局部邻域拓扑有助于缓解停滞现象，但通常会牺牲收敛速度。为解决这一权衡问题，本文提出了一种融合波激励与协方差矩阵自适应的粒子群优化算法（Particle Swarm Optimization with Wave Agitation and Covariance Matrix Adaptation, PSO-WA-CMA）。受生物群体中观察到的集体规避与波传播动力学启发，所提出的框架注入了结构化的时空扰动，而非各向同性的随机变异。本研究的主要贡献有三：（1）一种尺度不变的自适应停滞检测机制，能够独立于目标函数的量级精确触发干预；（2）一种距离相关的波传播模型，可在空间上调控扰动强度；（3）一种协方差引导的定向搜索策略，使波激励与群体历史上具有前景的搜索轨迹相对齐。该方法在40个基准问题上进行了严格评估——包括23个经典函数、10个CEC-C06 2019函数以及7个工程设计问题——并与18种参考算法进行了比较。PSO-WA-CMA展现出稳健的竞争力，在针对所有八种被评估的PSO变体时，统计显著胜出的数量均多于失败的数量。与经典PSO相比，所提方法取得了12胜8负的有利记录，并在其余20个未检测到显著差异的案例中保持了竞争性持平。尽管该方法在经典函数和复杂实际工程问题上表现尤为突出，但更广泛的评估进一步印证了元启发式算法的问题依赖性本质。总体而言，这些发现证实了PSO-WA-CMA作为PSO的一种高效扩展，能够在不过度破坏收敛性的前提下成功平衡探索与开发。
研究背景方面，优化问题普遍存在于科学与工程领域，其核心目标是在满足约束条件的前提下确定使一个或多个目标函数最优的决策变量取值。确定性算法在面对非线性、多模态、不连续、非凸或高维搜索空间时性能可能显著退化，而元启发式算法因不依赖梯度信息且具有较强的全局搜索能力，已被广泛用于求解复杂实际优化问题。粒子群优化（PSO）因其概念简洁、控制参数少和计算高效而成为最具代表性的群体智能算法之一，已成功应用于参数优化、医疗健康、能源系统、电动汽车充电站选址、无人机路径规划及无线传感器网络节点部署等领域。然而，标准PSO存在早熟收敛问题，其严重程度取决于信息共享拓扑、参数配置和搜索动力学。基于局部邻域、自适应拓扑、多样性引导、变异和扰动的PSO变体已被提出以缓解信息过度集中并保持探索能力。传统扰动方法通常对个体解或整个种群独立施加随机修改，未显式考虑群体的空间分布和优化过程的时间演化。因此，本研究旨在探究一种空间结构化扰动机制能否在检测到停滞时为恢复探索提供额外途径。受鸟群面对捕食者时集体逃逸行为的启发，研究人员提出了波激励机制（Wave Agitation Mechanism, WAM），并将其与协方差引导扰动相结合形成PSO-WA-CMA。研究人员在23个经典基准函数、10个CEC-C06 2019基准函数和7个工程设计问题上，将所提方法与18种参考算法进行了系统比较，采用Wilcoxon秩和检验进行统计显著性分析，并进行了消融实验和参数敏感性分析。结果表明，PSO-WA-CMA在针对所有八种PSO变体时显著胜出的数量均超过失败数量；与经典PSO相比，在40个问题上取得12胜8负20平的记录；在经典函数和实际工程问题上表现尤为突出，但整体评估印证了元启发式算法的问题依赖性。该研究的重要意义在于提供了一种在不过度破坏收敛性的前提下平衡探索与开发的PSO扩展框架，并通过消融实验验证了协方差引导方向性和动态参数衰减的必要性。
在关键技术方法方面，研究人员采用PlatEMO v4.7框架在MATLAB R2024b环境下实现所有算法，种群规模设为30，最大迭代500代（对应15,000次函数评估），每个问题独立运行30次，使用Mersenne Twister（MT19937）伪随机数生成器并以运行索引除以100设定随机种子以保证可重复性。波相关参数通过irace自动配置工具选取，参数敏感性分析采用基于混合实验设计的Scheffé二次模型和Cox响应轨迹分析。工程约束处理采用Deb约束处理技术，通过惩罚项使可行解严格支配不可行解。统计检验采用显著性水平α=0.05的Wilcoxon秩和检验并应用Bonferroni校正。
研究结果方面，消融实验（基于RWSO1–RWSO7基准套件）表明：完整框架PSO-WA-CMA在全部7个问题上取得最佳平均目标值；协方差引导各向异性扰动相较于各向同性波扰动在RWSO2、RWSO3、RWSO5和RWSO6上具有统计显著优势；动态参数缩放相较于静态波变体取得6胜0负的统计记录；总体在21次成对比较中累积13胜0负8平。经典优化问题上的结果表明：在PSO组内，PSO-WA-CMA对所有八种变体均取得有利胜负记录，其中对LEMPSO为23/0/0、对PSOASSBP为22/0/1；在CLASSIC3、CLASSIC4、CLASSIC7和CLASSIC13上显著优于所有PSO参考算法；与经典PSO的比较记录为8/5/10。CEC-C06 2019基准上的结果表明：对八种PSO变体的胜出数量均超过失败数量，对LEMPSO和PSOASSBP均为10/0/0；在CEC2上显著优于所有九种PSO参考算法；但与经典PSO的直接比较为1/2/7，未在该套件上表现出整体优势。实际世界优化问题上的结果表明：在PSO组内对BMPSO、LEMPSO、MBPSO、PSOELPM和PSOASSBP均取得有利记录；在RWSO3和RWSO5上表现最为一致，其中RWSO5上显著优于所有九种PSO参考算法；与经典PSO的比较为3/1/3；PSO-WA-CMA在所有七个问题上均产生了有效结果，而若干对比算法产生了无可行解（NFS）条目。多样性分析表明：经典PSO多样性立即不可逆丧失，CMA-ES在部分约束场景出现极端发散尖峰，而PSO-WA-CMA维持了充分的初始多样性并在收敛过程中呈现渐进可控的下降。收敛曲线分析表明：PSO-WA-CMA在经典测试集上呈现稳定的陡峭下降轨迹，在CEC-C06 2019测试集上维持平滑持续收敛，在实际工程问题上多数案例中早期即达到极低误差水平，而经典PSO呈现明显的早熟收敛平台，CMA-ES在多个函数上出现剧烈波动。
讨论部分指出，实验结果证明PSO-WA-CMA是一种有效且稳健的群体优化方法，但其收益具有问题依赖性。与经典PSO相比，在40个问题上合计12胜8负20平，说明附加机制在部分问题上改善了性能但未建立整体优势。最明显的改进出现在CLASSIC3、CLASSIC4、CLASSIC7和CLASSIC13以及RWSO5上。统计显著性本身并不确立实质性的实际改进，运行间变异性也限制了对有利平均值的解释。与CEC-C06 2019 100-Digit Challenge三种领先算法（jDE100、SOMA T3A和HyDE-DF）的额外比较表明这些专门化方法在该基准上整体表现更强。研究未包含独立的局部最优PSO基线，因此所报告的对比未确立相对于局部邻域拓扑的优越性。总体而言，实验证据表明波激励机制缓解了早熟收敛并增强了PSO的探索能力，但其收益幅度取决于优化景观特征，所提修改的贡献应被解释为对PSO搜索过程的一种增强而非对经典动力学的普适性替代。结论部分翻译如下：本文提出了PSO-WA-CMA，一种将停滞触发的波激励与协方差引导扰动相结合的PSO扩展方法。该机制根据粒子位置在群体中传播受控扰动，并利用协方差信息定向探索运动。参数敏感性和消融实验考察了所提设计的行为。比较评估覆盖了23个经典函数、10个CEC-C06 2019函数和7个工程设计问题，与18种参考算法进行了对比。在这40个问题上，在报告设置下针对八种被评估的PSO变体中的每一种，显著胜出的数量均超过显著失败的数量。与经典PSO相比，记录分别为CLASSIC上的8/5/10、CEC-C06 2019上的1/2/7和RWSO上的3/1/3，合计12胜8负20个未检测到显著差异的案例。结果支持在选定经典函数和工程问题上的改进，但未在CEC-C06 2019上确立相对于经典PSO的整体优势。尽管PSO-WA-CMA取得了较强的整体性能，实验结果也表明没有任何单一算法在所有优化景观上具有普适优越性。部分竞争方法在特定函数上取得了更好的结果。这些观察凸显了优化性能对问题景观的依赖性，并建议所提机制应在更广泛的优化场景中进一步研究。未来工作将聚焦于开发能够根据搜索景观的特征和当前状态判断波激励何时有益的自适应机制，特别是波强度、传播和激活的自适应控制以减少在经典PSO动力学已有效的问题上的不必要扰动。进一步研究还将考察PSO-WA-CMA在动态和多目标优化问题以及额外约束工程应用中的表现。最后，将动态种群规模调整机制集成到所提框架中代表了提高其适应性和计算效率的一个有前景的方向。
