《Advanced Engineering Informatics》：An effective Bezier curve-based optimization (BCO) for large-scale numerical problems and 3D unmanned aerial vehicle path planning with efficient multiple threats evasion
编辑推荐：
摘要—元启发式算法(Metaheuristic Algorithms)因其在求解复杂优化问题时展现出的鲁棒性与灵活性而被广泛应用，然而传统算法常面临局部最优停滞、探索(Exploration)与开发(Exploitation)失衡及零偏置(Zero-bias)
摘要—元启发式算法(Metaheuristic Algorithms)因其在求解复杂优化问题时展现出的鲁棒性与灵活性而被广泛应用，然而传统算法常面临局部最优停滞、探索(Exploration)与开发(Exploitation)失衡及零偏置(Zero-bias)敏感性等问题。本文提出一种基于贝塞尔(Bezier)曲线理论的新颖元启发式算法——贝塞尔曲线优化(Bezier Curve-based Optimization, BCO)算法。BCO采用线性贝塞尔曲线进行局部开发，二次贝塞尔曲线实施局部避让策略以逃离局部极值，三次贝塞尔曲线执行全局探索；并通过引入含正弦时变项的探索-开发平衡算子A(t)动态调节搜索模式。研究人员在23个经典基准函数、CEC2014/2017/2020/2022测试集及15个工程设计问题与三维无人机(UAV)路径规划问题上进行验证，并与27种经典、新兴及冠军级算法对比。Wilcoxon秩和检验与Friedman测试结果表明，BCO在收敛精度、稳定性及抗零偏置性上具显著竞争力，尤其在高维与约束问题中表现优异，为连续优化问题提供了几何引导的新范式。
论文解读：贝塞尔曲线优化(Bezier Curve-based Optimization, BCO)算法的提出与验证
【研究背景与动机】
元启发式算法如粒子群优化(PSO)、遗传算法(GA)及灰狼优化(GWO)等已被广泛用于求解非线性、多模态及高维数值优化问题。然而，现有多数算法存在以下局限：(1) 搜索过程缺乏几何连续性，易产生无效跳跃或陷入局部最优；(2) 探索与开发平衡多依赖固定或简单线性衰减参数，难以适应迭代进程；(3) 部分算法对目标函数零点位置敏感（零偏置问题），导致泛化能力下降。针对上述问题，研究人员基于计算几何中的贝塞尔(Bezier)曲线理论，提出一种具凸包性(Convex Hull Property)、多阶协同搜索与自适应平衡机制的新型元启发式算法——BCO，旨在提升全局寻优能力、收敛速度及对约束工程问题的适应性。该文发表于《Advanced Engineering Informatics》。
【关键技术方法】
研究人员设计BCO算法基本框架：以当前个体为P0，随机选取种群中个体作控制点P1、P2（二次）或P3（三次），分别构造线性（一阶）、二次（二阶）及三次（三阶）贝塞尔曲线生成新候选解，利用贝塞尔曲线凸包性保证解的有效性及搜索连续性；设计算法包含三种搜索行为——开发策略（线性Bezier）、局部避让策略(Local Avoidance Strategy, 二次Bezier引入群体质心与历史最优引导远离当前区域)及探索策略(Exploration Strategy, 立方Bezier利用多点扰动扩大搜索范围)；引入探索–开发平衡算子A(t)=(a+b·ln(1/r6))·sin(π/2·(1?t/T))（其中a=0.4, b=2），当A(t)>1时执行探索模式（二次或三次Bezier更新），A(t)<1时执行开发模式（线性Bezier或带精英导向的更新），实现迭代前期侧重全局探索、后期侧重局部开发的自适应切换；约束问题采用静态罚函数法处理。算法在23个经典基准函数（7单峰、6多峰、10复合）、CEC2014（30函数）、CEC2017（10D/30D/50D/100D）、CEC2020（10函数）、CEC2022（12函数）测试，并与TLBO、PSO、ABC、GSA、WOA、HHO、LSHADE-cnEpSin、JADE等27种对比算法进行30次独立重复实验，采用均值(Ave)、标准差(Std)、Friedman平均排名及Wilcoxon符号秩检验进行统计分析；零偏置评估通过对测试函数平移10%区间并计算移位/未移位误差比值完成；工程应用含15个约束机械/结构优化设计问题（如减速器、焊接梁、压力 vessels等，采用罚函数法）及基于真实地形DEM数据的3D UAV路径规划（目标函数含航程、威胁规避、平滑度、高度约束及能耗）。
【研究结果】
● 3.2 开发策略(Exploitation Strategy)：采用线性Bezier曲线B(xi(t), xr1(t), α)，以当前解xi(t)与随机个体xr1(t)为控制点生成新位置，保留局部精细搜索能力，确保算法具基本的收敛性。
● 3.3.3 局部避让策略(Local Avoidance Strategy)：采用二次Bezier曲线，控制点P0=xi(t)，P1=xr2(t)（随机个体），P2=xmean+2·rn2·(xr2(t)?xbest)（群体质心加历史最优扰动的引导点）。借助凸包性及曲率变化引导个体脱离当前局部区域进入更广阔空间，有效避免早熟收敛。
● 3.3.4 探索策略(Exploration Strategy)：采用三次Bezier曲线，P0=xi(t)，P1=xr3(t)，P2=xr4(t)（两个不同随机个体），P3依概率取群体质心+随机扰动、边界随机采样或另一随机个体某维扰动。多点控制扩展搜索路径跨度，增强全局遍历性。
● 3.3.5 探索–开发平衡算子(Exploration–exploitation Balance Operator)：定义A(t)=(0.4+2·ln(1/r6))·sin(π/2·(1?t/T))，早期A(t)>1概率高倾向探索，后期A(t)<1倾向开发，整体P(A(t)>1)≈0.5。依A(t)与rand值决定调用开发/避让/探索子策略，实现动态切换。
● 3.4 BCO流程与3.5 计算复杂度：初始化种群→每代计算A(t)→若A(t)>1按rand选二次或三次Bezier更新，否则按rand选线性Bezier或精英开发更新→边界处理与适应度评估→更新历史最优→满足终止条件输出xbest。时间复杂度为O(N·(1+T·D+T))，N为种群大小，D为维度，T为最大迭代次数。
● 4.3 性能评估 on 23 Functions：BCO在23个函数中获17/23项最优均值，13/23项最优标准差，无最差标准差记录；混合及冠军算法对比中BCO获全部23函数最优均值表现及17项最优Std。Friedman平均排名4.80，显著优于PSO、WOA、HHO等，Wilcoxon检验证实其统计显著性优势(p<0.05)。
● 4.4 零偏置(Zero-bias Evaluation)：平移测试显示BCO移位/未移位误差比均值仅1.3134（远小于阈值10），表明无显著零偏置缺陷；对比算法如TLBO、BKA等比值达108~1010级。
● 4.5 CEC2014/2020/2022结果：CEC2014中BCO获18项最优均值、13项最优Std，Friedman排第2（仅次于LSHADE-cnEpSin）；CEC2020与CEC2022中BCO无最差记录，综合排名靠前，验证跨测试套件稳健性。
● 4.6 CEC2017多维度(10D–100D)：各维度下BCO均居前列（10D第2，100D第3），随维度升高性能衰减较缓，优于多数经典及新型对比算法，证明高维鲁棒性。
● 5.1 工程约束设计问题(15 Engineering Problems)：应用于减速器(Speed Reducer)、焊接梁(Welded Beam)、拉压弹簧(Tension/Compression Spring)、压力容器(Pressure Vessel)等15个约束优化问题（罚函数法处理不等式/等式约束）。BCO在12/15问题上获最优均值，10/15获最优Std，综合Friedman排名第1（均值排名5.73），显著优于JADE、SaDE、CP-EODE等(p<0.05)，说明其能有效处理约束违背惩罚与多等式约束。
● 5.2–5.4 三维无人机路径规划(3D UAV Path Planning)：构建含航程(F1)、威胁代价(F2, 圆柱障碍)、高度约束(F3)、平滑度(F4, 转弯角?与爬升角ψ)及能耗(F5)的多目标加权成本函数，将航迹节点编码为球坐标向量由BCO优化。在8种障碍密度场景、12与22航点设置下，BCO获6/8场景最优路径代价，路径平滑安全避障，Friedman平均排名1.25（12航点）与1.5（22航点），优于JADE、LSHADE-cnEpSin等7种高性能算法，说明BCO适用于连续变量实值编码的实际NP-hard路径规划问题。
【讨论与结论(Conclusion & Discussion)】
研究人员指出BCO的核心创新为：(1) 以贝塞尔曲线这一严格数学工具为搜索算子，利用其凸包性保障解有效性及搜索轨迹连续性，区别于仅靠随机扰动或线性组合的传统元启发式；(2) 线性/二次/三次Bezier分别对应开发、局部逃逸与全局探索，形成分级协同搜索架构；(3) 引入含对数-正弦耦合的自适应平衡因子A(t)，依迭代阶段动态切换模式，降低参数敏感性；(4) 沿Bezier弧生成候选解使搜索具几何连续性而非孤立跳跃。局限性包括极高分维(>100D)下优势略有缩小、未测试超大规模(5000D+)及未拓展至离散/组合优化问题。未来方向含BCO混合算法、二进制与多目标BCO版本及超大规模基准测评。
结论：贝塞尔曲线优化(BCO)是一种具几何引导特性、自适应探索–开发平衡及抗零偏置性的新型连续元启发式算法。标准数值基准与工程实例验证表明，BCO在求解精度、收敛速度、稳定性及约束处理能力上具竞争力，尤适用于高维连续非线性优化与工程约束问题，为元启发式算法设计提供了基于计算几何理论的新思路。
