《Intelligent Systems with Applications》：Enhanced MPA for solving robot gripper and engineering design problems
编辑推荐：
本文针对传统元启发式算法在处理复杂优化问题时存在的探索与利用不平衡、易陷入局部最优等挑战，提出了一种增强型海洋捕食者算法。该研究通过引入动态参数控制、动态种群规模调整及精英池机制，显著提升了算法性能。在IEEE CEC系列基准函数测试及机器人抓取器、悬臂梁、三杆桁架等多个工程设计问题上验证了其优越性，为解决高维、复杂工程优化问题提供了高效、鲁棒的新工具。
在当今工程与计算科学领域，众多现实问题，如机器人抓取器的设计、结构材料的优化配置，本质上都是复杂的高维优化问题。传统的计算方法在面对这些搜索空间浩瀚、约束条件繁多的挑战时，往往显得力不从心，计算成本高昂甚至无法求解。于是，一类模仿自然现象（如生物进化、群体智能）的“元启发式算法”应运而生，成为解决此类难题的利器。它们不追求数学上的精确最优解，而是致力于在合理时间内找到高质量的近似解。然而，现有的元启发式算法，包括经典的遗传算法、粒子群优化等，也面临着各自的瓶颈：如何更好地平衡“探索”（广泛搜索全局可能区域）与“利用”（精细开发局部优质区域）？如何避免过早地收敛到次优解（即局部最优）而错过真正的全局最优？这些核心问题直接影响了算法的性能和可靠性。
正是在这样的背景下，来自约旦Al-Balqa应用大学数据与人工智能学院的Hussam Fakhouri、Faten Hamad和Niveen Halalsheh等研究人员，将目光投向了受海洋捕食者行为启发的“海洋捕食者算法”（Marine Predators Algorithm, MPA）。MPA通过模拟捕食者（如鲨鱼、海豚）的捕食策略，利用莱维飞行（Lévy Flights）进行大范围探索和布朗运动（Brownian Motion）进行局部开发，展现出良好的优化潜力。但研究团队认为，原始的MPA仍有改进空间。为此，他们提出了一种全新的“增强型海洋捕食者算法”（Enhanced Marine Predators Algorithm, EMPA），旨在通过一系列创新性增强机制，从根本上优化算法的探索-利用平衡，提升其解决复杂工程优化问题的能力。这项研究成果已发表在期刊《Intelligent Systems with Applications》上。
为了验证EMPA的有效性，研究人员主要运用了以下关键技术方法：首先，算法设计与实现，核心是引入了动态参数控制（动态调整FADs和捕食率P）、动态种群规模调整（初期大种群探索，后期小种群开发）和精英池机制（保存最优解，维持种群多样性）。其次，进行了全面的基准测试，使用IEEE CEC2022、CEC2017和CEC2014标准测试函数集，在10维和20维条件下，与包括ROA、ChOA、CMA-ES、HHO等在内的11种先进优化算法进行对比。最后，开展了工程问题应用验证，将EMPA应用于7个经典的工程设计优化问题，包括机器人抓取器、焊接梁、压力容器、齿轮系、减速器、悬臂梁、I型梁和三杆桁架，以检验其解决实际约束优化问题的能力。
研究结果表明，EMPA在各个方面都表现出了卓越的性能：
- •
CEC2022基准测试结果：在维度D=10的测试中，EMPA在12个函数中的9个上取得了最佳平均误差，排名第一。在维度D=20的更具挑战性的测试中，EMPA同样在多数函数上领先，展示了其良好的可扩展性。与对比算法相比，EMPA的收敛速度更快，最终解的质量更高。
- •
CEC2017与CEC2014基准测试结果：在CEC2017的30个函数测试中，EMPA在27个函数上表现最佳。在CEC2014的30个函数测试中，EMPA在27个函数上取得了第一或第二的排名。这些结果强有力地证明了EMPA在处理不同类型（单峰、多峰、混合、复合）优化问题上的鲁棒性和通用性。
- •
探索与利用分析：通过轨迹曲线、搜索历史、平均适应度等图示分析，EMPA在优化初期展现了强大的探索能力，广泛覆盖搜索空间；在后期则能有效地收缩搜索范围，进行深度利用。其动态参数机制确保了从探索到利用的平滑过渡。
- •
工程设计问题应用结果：EMPA成功求解了所有7个工程设计问题。例如，在机器人抓取器问题中，EMPA找到了使抓取力与机械优势之比最优的设计参数；在悬臂梁和三杆桁架问题中，EMPA实现了材料用量的最小化。与应用其他算法得到的历史最优解相比，EMPA在多个问题上找到了更优或具有竞争力的解，验证了其解决实际工程约束优化问题的有效性和实用性。
研究结论与讨论部分对全文工作进行了总结。本研究成功提出并验证了增强型海洋捕食者算法。其核心贡献在于集成了动态参数控制、动态种群规模和精英池三大增强机制，这些机制协同工作，显著改善了算法在探索与利用之间的平衡能力。这使得EMPA能够更有效地避免陷入局部最优，并以更快的速度收敛到高质量的解。
广泛的基准测试（涵盖CEC2022、2017、2014）结果一致表明，EMPA在求解精度、收敛速度和稳定性方面，均显著优于多种当前先进的元启发式优化算法。这证明了所提出增强策略的有效性和EMPA算法的整体优越性。更重要的是，EMPA在包括机器人抓取器设计在内的多个实际工程优化问题上的成功应用，彰显了其强大的实践价值和广泛适用潜力。该算法为处理复杂的、高维的、多约束的工程与科学计算优化问题提供了一个高效、可靠的新工具。
未来，研究团队计划将EMPA应用于更广泛的领域，如机器学习超参数调优、图像处理以及更复杂的多目标优化问题，进一步拓展其应用边界并探索其理论性质。这项研究不仅推动了海洋捕食者算法本身的发展，也为元启发式优化算法家族增添了有力的一员，为解决现实世界中的复杂优化挑战提供了新的思路和方案。
