一种用于复杂工程问题的自适应对立灰狼优化算法

《Scientific Reports》：An adaptive oppositional grey wolf optimizer for complex engineering problems

　　

摘要

元启发式优化算法对于解决复杂的高维问题至关重要，然而，它们的性能常常受到过早收敛、探索能力有限以及搜索阶段不平衡等因素的制约。尽管灰狼优化器（GWO）展现出了相当大的潜力，但其固定的线性控制参数和对精英解停滞的敏感性限制了其在高度复杂环境中的可扩展性。为克服这些关键缺陷，本文提出了自适应对立灰狼优化器（AOGWO），这是一种强大且动态适应的优化框架。该算法主要做出了三项贡献：（1）整合了基于对立学习的初始化框架（OBL），以确保初始空间多样性最大化；（2）实施了自适应余弦控制策略，并结合衰减的跳跃率和Lévy飞行扰动，以动态平衡探索与利用；（3）提出了一种高度针对性的选择性领导对立（SLO）机制，专门应用于Alpha领导者，以防止精英解陷阱的产生，同时不会增加过多的计算开销。通过41个基准测试函数（包括IEEE CEC2017和CEC2022测试集）以及七个具有挑战性的实际工程设计问题对AOGWO的性能进行了评估。全面的实证结果证明了AOGWO的竞争优势。从定量上看，AOGWO在29个CEC2017测试函数中的24个以及所有12个CEC2022测试函数上都取得了最佳平均性能。Wilcoxon符号秩检验进一步显示，在

0.05的显著性水平下，AOGWO的性能优于大多数竞争算法；Friedman检验则将AOGWO评为所有评估基准测试集中的第一名。在受限的工程设计问题中，AOGWO不仅产生了具有竞争力的最优解，还满足了预设的约束条件。这些发现表明，AOGWO是一种有前景的过程创新，有助于推进实际优化任务、提高经济生产力并提升资源利用效率。