针对复杂优化问题的多策略增强型鹦鹉优化算法（STPO）的研究及其应用

《Scientific Reports》：Research on a multi-strategy enhanced parrot optimization algorithm STPO for Complex optimization problems and its applications

　　

摘要

元启发式优化算法通过模仿自然或社会行为，被广泛用于解决复杂、高维和非线性问题，展现出巨大的未来发展潜力。其中，鹦鹉优化（Parrot Optimization，简称PO）算法受到绿颊锥尾鹦鹉的启发，具有很强的适应性。然而，在高维场景中，该算法往往收敛速度较慢，并容易陷入局部最优解。为了解决这些问题，本研究提出了一种多策略增强的鹦鹉优化器，称为STPO。STPO结合了受麻雀搜索算法（Sparrow Search Algorithm）启发的警报保护机制、经验交换策略以及基于最差值的差分尺度扰动算子，以改进种群引导、增强基于扰动的搜索能力、促进从探索到利用的转换，并提高收敛稳定性。在CEC2017和CEC2022基准测试集中的综合实验表明，STPO取得了极具竞争力的平均排名。具体来说，在CEC2017比赛中，STPO在10维、30维、50维和100维设置下的平均排名分别为1.76、1.21、1.21和1.46；在CEC2022比赛中，STPO在10维和20维设置下的平均排名分别为2.15和1.74。这些定量结果表明，与十二种竞争算法相比，STPO提供了稳定且准确的优化性能。此外，还通过统计测试、消融实验、种群多样性分析和探索-利用分析进一步验证了STPO的有效性和动态搜索行为。当应用于五个经典工程设计问题和移动机器人路径规划任务时，STPO也展现了具有竞争力的解决方案准确性和收敛性能，进一步证实了其在受限工程优化和实际路径规划场景中的适用性。该工作的源代码可在https://github.com/MingXuanJian/STPO.git处获取。