《Mathematics》：An Improved Advanced Social Memory Optimization Framework for Global Optimization Problem and UAV Obstacle Avoidance Trajectory Planning
编辑推荐：
本文针对高级社会记忆优化（ASMO）算法在求解高维复杂优化问题时存在的局限性，如早熟收敛、种群多样性不足以及局部搜索能力有限等问题，提出了一种改进高级社会记忆优化（IASMO）算法。通过引入优劣协同引导策略、自适应柯西-高斯开发策略以及金融投资策略，所提算法旨
本文针对高级社会记忆优化（ASMO）算法在求解高维复杂优化问题时存在的局限性，如早熟收敛、种群多样性不足以及局部搜索能力有限等问题，提出了一种改进高级社会记忆优化（IASMO）算法。通过引入优劣协同引导策略、自适应柯西-高斯开发策略以及金融投资策略，所提算法旨在增强全局勘探与局部开发能力，同时通过收益-风险平衡机制提升搜索稳定性。在IEEE CEC2017（100维）和CEC2022（10维和20维）基准函数上的实验结果表明，IASMO取得了具有竞争力的整体优化性能。Friedman平均排名结果显示，IASMO在CEC2017、CEC2022（10维）和CEC2022（20维）上的平均排名分别为1.63、2.42和1.83，在三种基准设置下均排名第一。Wilcoxon秩和检验进一步提供了IASMO与对比算法之间性能差异的统计证据。为进一步评估其在实际工程优化问题中的适用性，IASMO被应用于三维无人机（UAV）避障轨迹规划和混合微电网经济调度。在无人机路径规划实验中，IASMO取得了最低的平均路径代价292.5748，相较于原始ASMO降低了约16.91%。在微电网经济调度问题中，IASMO的平均运行成本为1.2102E+06，低于ESLPSO（2.1004E+06）、EGWO（4.8763E+06）和原始ASMO（5.5609E+07）。总体而言，实验结果表明IASMO为复杂全局优化问题、无人机轨迹规划和微电网经济调度提供了一种具有竞争力的优化方法。
**研究背景与问题提出**
全局优化问题广泛存在于科学计算与工程实践中，涵盖智能算法设计、能源系统调度、路径规划、参数辨识及机器学习应用等领域。随着实际系统复杂度不断增加，优化问题呈现出高维、多峰、非线性、强约束及非凸等特征。传统基于梯度的优化方法易陷入局部最优、对初值敏感且难以处理非光滑目标函数，因此不足以应对复杂优化问题。相比之下，元启发式优化算法不依赖梯度信息，具备较强的全局搜索能力和适应性，已成为求解此类问题最有效的途径之一。这些算法通常模拟生物行为、物理规律或集体智能机制，通过迭代进化实现对解空间的高效探索与开发。
近年来，众多元启发式算法被提出并持续改进。灰狼优化器（GWO）模拟灰狼的等级结构和狩猎行为，通过头狼引导种群向有希望的区域移动，但其结构简单，在高维多峰问题上易出现早熟收敛。哈里斯鹰优化（HHO）算法模拟鹰群的协同狩猎策略，展现出较强的局部开发能力，但在复杂非线性环境中搜索过程可能不稳定。正弦余弦算法（SCA）基于正弦和余弦函数构建搜索模式，提供广泛的探索能力，但收敛精度较低且后期细化缓慢。麻雀搜索算法（SSA）模拟觅食和反捕食行为，在低维问题上表现稳定，但在高维场景中可能出现种群同质化，导致后期停滞。蜻蜓算法（DA）通过多种行为权重调整搜索方向，探索能力较好，但易陷入局部最优且收敛振荡较大。平衡优化器（EO）受物理平衡原理启发，简单高效，但在高维耦合问题中收敛速度显著下降。人工蜂群（ABC）算法展现出较强的全局探索能力，但局部开发能力不足，导致收敛缓慢且后期精度有限。蜉蝣算法（MA）模拟蜉蝣的求偶、迁徙和舞蹈行为，融合了集体信息交换和自适应移动特征，在某些基准函数上表现出竞争力，但在复杂环境中易出现早熟收敛和搜索漂移。水母搜索优化器（JSO）模拟水母觅食行为及其受洋流驱动的运动，具有自适应步长调整机制，能在一定程度上平衡探索与开发，但在存在多个局部最优时易出现收敛停滞。
与此同时，新近开发的算法如秘书鸟优化算法（SBOA）、雪橇犬优化器（SDO）、杜鹃鲶鱼优化器（CCO）和红嘴蓝鹊优化器（RBMO）通过模拟多样化的生物行为展现出竞争力。然而，这些方法仍存在共性局限，包括种群多样性快速丧失、局部搜索能力不足以及在高维复杂问题中搜索步长难以控制。为进一步提升性能，研究人员引入了混合策略、自适应机制和学习框架，形成了ESLPSO、模糊灰狼优化器（FGWO）、改进海洋捕食者算法（MMPA）和QHSBOA等增强算法。尽管这些方法在一定程度上提升了性能，但在超高维、强耦合和多峰优化问题中实现探索与开发的动态平衡仍是一项重大挑战。
高级社会记忆优化（ASMO）算法是近期提出的一种元启发式算法，受集体智能系统中社会记忆机制启发。通过维护高质量个体的记忆池，ASMO引导种群向搜索空间中有希望的区域移动。该算法结构简单、搜索逻辑清晰，早期收敛速度较快。然而，原始ASMO仍存在若干显著局限。首先，其位置更新主要依赖当前最优解和随机选择的记忆个体，搜索方向有限且种群快速聚集，可能导致多样性丧失和早熟收敛。其次，其局部开发机制基于单一高斯扰动，搜索模式僵化，逃逸局部最优的能力有限。第三，直接接受单步更新可能导致振荡或方向偏差，在迭代过程中稳定性较差。这些缺陷显著降低了ASMO在求解高维多峰问题和强约束工程应用中的性能。
微电网经济调度是典型的高维、非线性、强约束优化问题，其目标是在满足功率平衡、运行限值、爬坡约束和储能约束等条件下最小化系统运行成本。该问题对优化算法的全局搜索能力、约束处理能力和收敛稳定性提出了严格要求。现有方法包括粒子群优化、遗传算法和灰狼优化等，在处理大规模调度变量（如96维及以上）时，常出现收敛精度不足、约束违反、运行成本高和出力曲线不稳定等问题。因此，有必要开发一种具有强全局探索能力、精细局部开发能力和稳定收敛性能的改进优化算法，以提升微电网经济调度问题的求解质量和实际适用性。
尽管ASMO提供了有效的基于社会记忆的优化框架，但若干局限性促使进一步的方法改进。第一，其搜索过程严重依赖高质量记忆个体和当前全局最优解。虽然该机制有助于向有希望的区域收敛，但过度依赖优越信息可能降低方向多样性并增加早熟收敛风险，特别是在高维多峰搜索空间中。因此，引入优劣个体双方的信息可能提供额外的方向参考，有助于维持更多样化的搜索过程。第二，原始基于高斯的开发机制提供相对集中的扰动，一旦种群高度聚集，可能不足以逃逸局部最优。这一局限促使研究人员将重尾柯西扰动与高斯细化相结合，并在优化过程中调整它们的相对贡献。第三，依赖单一候选搜索方向可能产生过大或有偏的更新，可能影响收敛稳定性。据此，引入受金融投资启发的机制，根据估计的改进潜力和步长相关风险来协调多个候选方向。这些考虑促使IASMO的开发，旨在在统一的社会记忆优化框架内改善探索多样性、开发灵活性和搜索稳定性。
**主要关键技术方法**
研究人员采用的主要技术方法包括：（1）优劣协同引导策略，通过同时利用优解和劣解构建搜索方向，丰富方向信息；（2）自适应柯西-高斯开发策略，结合柯西分布的重尾跳跃能力与高斯分布的稳定细化特性，通过自适应系数在迭代过程中动态调整两者贡献；（3）金融投资策略，模拟投资组合分配机制，基于收益-风险权衡对三个候选方向进行加权协调；（4）在IEEE CEC2017（100维）和CEC2022（10维、20维）基准函数上进行对比实验，采用Friedman平均排名检验和Wilcoxon秩和检验进行统计分析；（5）将IASMO应用于三维无人机避障轨迹规划和混合微电网经济调度两个工程问题。微电网系统包含微型燃气轮机（MGT）、燃料电池（FC）、光伏（PV）发电、风力涡轮机（WT）发电、电池储能系统和可中断负荷资源，调度周期为24个时段，决策变量维度为96。
**研究结果**
**CEC2017基准函数实验结果**：在100维CEC2017基准函数上，IASMO在不同测试函数上取得了具有竞争力的优化性能，但其优势并非均匀分布。IASMO在F1、F5、F6、F7、F8和F19等函数上获得了相对较低的平均适应度值。然而，其他算法在若干函数上取得了更好的平均结果，如BKA在F3上、GWO在F10和F22上、EGWO在F16上表现更优。在F1上，IASMO的平均值为8.2218E+05，显著低于HHO（5.1056E+10）、GWO（5.3428E+10）和ASMO（1.0832E+11），收敛精度提升约5-6个数量级。在F4上，IASMO的平均值为7.2780E+02，标准差仅为5.3751E+01，显著优于ASMO（1.1903E+04）和EGWO（1.6113E+03）。在F30上，IASMO的平均值仅为1.5397E+04，而HHO、GWO和ASMO分别达到6.7519E+08、1.5293E+09和2.5272E+09。收敛曲线显示IASMO在早期迭代中下降速率更快，中期避免早熟收敛并保持稳定下降趋势，后期持续精细搜索并最终收敛至显著低于其他算法的适应度值。箱线图结果显示IASMO的中位值显著低于所有对比算法，四分位距更窄，异常值更少且更集中。
**CEC2022基准函数实验结果**：在10维CEC2022基准函数上，IASMO在F1上获得平均值3.0000E+02，标准差为7.5382E?14，表明在报告实验中结果高度一致。然而，ESLPSO在F2上取得了更好的平均结果，FNO在F6和F11上优于IASMO，原始ASMO在F12上取得了更好的平均值。在20维CEC2022基准函数上，IASMO在F1上获得平均值8.5218E+02，低于HHO（2.6890E+04）、GWO（1.5241E+04）和ASMO（9.1325E+03）。在F5上，IASMO的平均值为9.4471E+02，标准差仅为3.8217E+01，优于对比算法一个数量级以上。在F10上，IASMO的平均值为2.5017E+03，显著低于竞争算法。收敛曲线和箱线图结果进一步证实了IASMO在不同维度设置下保持稳定可靠的优化性能。
**统计检验结果**：Wilcoxon秩和检验结果表明，在CEC2017（100维）基准上，IASMO对HHO、SCA、FNO和ASMO取得了30/0/0的完全优势；对GWO、BKA、BPBO、ESLPSO和EGWO分别取得了26、28、29、27和19个显著更优结果。在CEC2022（10维）基准上，IASMO对HHO、SCA和ASMO取得12/0/0的优势。在CEC2022（20维）基准上，IASMO对HHO、GWO、SCA和BKA取得12/0/0的优势。Friedman平均排名结果显示，IASMO在CEC2017（100维）、CEC2022（10维）和CEC2022（20维）上的平均排名分别为1.63、2.42和1.83，在三种基准设置下均排名第一。
**无人机三维避障轨迹规划结果**：IASMO取得了所有对比算法中最低的平均路径代价292.5748，相较于原始ASMO（352.1374）、GWO（379.4164）、SCA（409.7587）和HHO（416.3561）分别降低了约16.91%、22.89%、28.60%和29.73%。即使与取得第二低平均代价的BPBO（326.0702）相比，IASMO仍降低了约10.27%。IASMO的最优代价为231.1014，中位代价为231.1784，两者差值仅为0.077，表明大量独立运行收敛至接近最优值的解。IASMO取得了所有对比算法中最低的最差代价392.2958，最优与最差代价差值最小（161.19），表明其在不利初始化条件下仍能维持较低路径代价。Friedman排名结果显示IASMO的平均排名从原始ASMO的6.00降至2.60，从第七位提升至第一位。
**微电网经济调度优化结果**：IASMO取得了最佳整体性能，平均运行成本为1.2102E+06，标准差为2.2376E+05，最小值为7.9331E+05，最大值为1.7860E+06，平均排名为1.00，在所有算法中排名第一。ESLPSO和EGWO在竞争算法中表现相对较好，平均成本分别为2.1004E+06和4.8763E+06，但仍显著高于IASMO。原始ASMO的平均成本高达5.5609E+07，SCA表现最差，平均成本为3.4277E+08。IASMO的标准差显著小于所有其他算法，表明多次运行间具有优越的一致性和稳定性。成本收敛曲线显示IASMO在早期迭代中快速下降，中期保持稳定收敛，后期持续精细优化。功率输出曲线显示IASMO有效协调各组件出力，满足功率平衡、爬坡率限值、储能容量约束和充放电限制等所有运行约束。与常规调度策略相比，IASMO在全部24个调度时段中的运行成本均更低，尤其在峰值负荷和峰值电价时段成本降低更为显著。
**讨论与结论**
讨论部分指出，CEC基准实验表明IASMO在不同维度设置下取得了有利的整体性能，但其性能优势并非在所有函数上均匀分布，若干竞争算法在特定函数上取得了更好的平均适应度值，表明不同搜索机制可能更适合不同的优化景观。互补搜索策略的整合有助于平衡探索与开发：优劣协同引导策略通过纳入优劣个体双方信息丰富可用搜索方向；自适应柯西-高斯开发策略提供了将较大随机扰动与更集中局部细化相结合的机制；金融投资策略根据估计的改进潜力和搜索风险协调多个候选方向。微电网经济调度实验提供了面向应用的评估，结果表明IASMO在所考虑的模型和实验配置下能够识别更低成本的调度方案，但结果基于有限数量的独立运行和特定微电网场景，应在当前实验条件范围内解释。总体而言，IASMO为所研究的全局优化和微电网经济调度问题提供了具有竞争力的方法，同时函数依赖的性能差异、计算开销和有限的工程验证突出了进一步方法和实验改进的机会。
结论部分翻译如下：本文针对原始ASMO算法在求解复杂优化问题时存在的局限性，包括早熟收敛、种群多样性不足和局部搜索能力有限等问题，提出了一种改进高级社会记忆优化算法（IASMO）。通过引入优劣协同引导策略、自适应柯西-高斯开发策略和金融投资策略，所提方法旨在改善全局探索与局部开发之间的平衡，同时增强搜索过程的稳定性和鲁棒性。在CEC2017和CEC2022基准函数上的实验结果表明，与若干经典和新近开发的优化算法相比，IASMO取得了具有竞争力的整体性能。三种基准设置下的Friedman平均排名分别为1.63、2.42和1.83，表明其具有良好的整体优化能力，Wilcoxon秩和检验提供了性能差异的额外统计证据。此外，IASMO被应用于三维无人机避障轨迹规划和混合微电网经济调度以评估其工程适用性。在无人机路径规划问题中，IASMO取得了最低的平均路径代价292.5748，相较于原始ASMO降低了约16.91%。这些结果表明IASMO能够在所考虑的仿真条件下获得飞行距离、高度变化和轨迹平滑度之间有利的加权折衷。在微电网经济调度问题中，IASMO取得了平均运行成本1.2102E+06，在所采用的实验配置下优于所选对比算法。这些发现证明了IASMO在解决复杂全局优化和实际工程优化问题方面的潜力。尽管结果令人鼓舞，IASMO仍存在若干局限应予以承认。第一，尽管IASMO在CEC2017和CEC2022基准套件上取得了有利的整体排名，但并未在每个测试函数上一致获得最佳平均适应度值或最低标准差，表明其有效性仍依赖于优化景观的特征。第二，三种增强策略的整合引入了额外的搜索方向构建、随机扰动和投资权重计算操作，与更简单的优化算法相比可能增加计算开销。第三，若干控制参数为经验设定，其对不同问题维度和目标函数特征的敏感性尚未全面研究。第四，当前无人机路径规划实验在具有预定义地形和障碍物的仿真环境中进行，未考虑动态障碍物、环境扰动或详细的无人机飞行动力学。此外，微电网实验基于有限数量的独立运行和特定调度场景，可再生能源发电不确定性和负荷预测误差未被全面考虑。未来研究将聚焦于解决这些局限。第一，将开展更系统的函数依赖性能和参数敏感性研究，以确定所提策略最有效的条件。第二，将通过简化搜索算子、自适应策略激活和并行计算技术进一步提高计算效率。第三，将在更多大规模、约束、多目标和动态优化问题上评估IASMO，以进一步评估其泛化能力。在无人机轨迹规划中，未来研究将考虑涉及动态障碍物、风扰动、飞行动力学约束和能耗的更复杂环境，以研究IASMO在实际飞行任务中的适用性。最后，未来微电网应用将纳入可再生能源不确定性、随机负荷变化和更真实的运行约束，并结合更多独立运行和与专业能源调度方法的更广泛比较。
