基于阈值近似的圆盘多智能体路径规划几何平滑的时间保持方法

《Mathematics》：Time-Preserving Geometric Smoothing for Near-Threshold Large-Disk Multi-Agent Path Finding

　　

本研究的主要动机是开发一种预测框架，以较低的计算和实验成本提供高精度，从而在选定的应用领域实现更好的决策制定。人工神经网络（artificial neural network, ANN）广泛用于预测、分类和模式识别任务。然而，其性能对架构和学习参数的选择非常敏感。因此，有效选择架构和学习参数是一个重要的研究挑战。已有多种混合GA-PSO方法被提出，但现有研究大多同时优化网络架构和可训练参数，或专注于单一应用领域。然而，仍缺乏一种系统框架来分别优化这些组件，并在多个异构数据集上验证作为主体验证其性能。为填补这一空白，本研究提出了一种名为GAPSO的新型混合优化算法，该算法结合遗传算法（genetic algorithm, GA）和粒子群优化（particle swarm optimization, PSO）以实现人工神经网络参数的高效调优。所提出的框架在五个基准数据集上进行了评估，包括AirPassengers、Sunspots、Death and Injury、Earthquake和Insurance。在所提出的方法中，PSO用于确定最优网络架构（隐藏神经元数量），GA用于优化连接权重和阈值。实验结果表明，对于五个数据集中的四个，GAPSO-ANN达到了最低的MAPE值，并且与ANN、GA-ANN、PSO-ANN、LSTM和XGBoost模型相比具有竞争力。此外，Wilcoxon符号秩检验显示性能提升具有统计显著性（p = 0.03125）。

本研究聚焦人工神经网络模型优化领域，致力于解决传统ANN在架构选择与参数调优方面存在的核心问题。

研究背景与问题分析：人工神经网络因其强大的非线性映射能力和对多种数据集的适应性，已广泛应用于工程领域的预测与优化问题。然而，传统ANN模型存在明显局限：对初始权重和偏置敏感、收敛速度慢、易出现过拟合现象，且容易陷入局部最优。更为关键的是，ANN性能高度依赖于网络架构和训练参数的合理选择，而这些通常通过试错法确定，缺乏系统性方法。虽然已有研究将ANN与遗传算法、粒子群优化等元启发式算法结合，形成GA-ANN和PSO-ANN等混合模型，但现有研究大多仅关注参数优化或有限的架构调整，未能同时兼顾网络结构与训练参数的协同优化。因此，亟需一种全面的混合优化框架，在保持不同数据集上稳健预测性能的同时，实现ANN模型结构层面与参数层面的双重优化。

研究开展与核心结论：本研究提出了一种名为GAPSO-ANN的新型混合优化框架，通过两阶段优化机制分别处理ANN的架构变量（隐藏神经元数量）和连续可训练参数（权重与偏置值）。该框架在AirPassengers、Sunspots、Death and Injury、Earthquake和Insurance五个来自不同领域的异构基准数据集上进行了系统验证。实验结果表明，GAPSO-ANN在四个数据集上取得了最低的平均绝对百分比误差（MAPE），且与长短期记忆网络（long short-term memory, LSTM）和极端梯度提升（extreme gradient boosting, XGBoost）等现代预测方法相比仍具竞争力。Wilcoxon符号秩检验证实其性能提升具有统计显著性（p = 0.03125）。研究结果还表明，模型评估应综合运用误差指标与方差解释指标，对于低方差或高随机性数据集，MAPE、均方根误差（root mean squared error, RMSE）和均方误差（mean squared error, MSE）比决定系数（R²）更能可靠反映预测性能。

研究意义：该研究发表于《Mathematics》期刊，其理论价值在于提出了一种系统化的分离优化策略，将架构搜索与参数优化解耦，避免了同步优化时染色体长度不一致的问题；实践价值在于为复杂非线性系统的预测建模提供了灵活、鲁棒且有效的工具，推动了混合元启发式优化方法在ANN功能改进中的应用。

关键技术方法概述：本研究采用两阶段混合优化策略。第一阶段运用粒子群优化算法在预定义搜索范围内确定最优隐藏神经元数量，以最小化MAPE为 fitness function 进行架构搜索；第二阶段采用实值编码遗传算法优化固定架构下的连接权重与偏置值，染色体由输入至隐藏层权重、隐藏层至输出层权重及隐藏层偏置值三部分组成，初始种群在[-1, 1]区间均匀分布。评估环节采用五折交叉验证（5-fold cross-validation）以增强结果稳健性，数据预处理采用归一化处理消除量纲差异。性能评估综合MAPE、RMSE、MSE和R²四项指标，并引入Wilcoxon符号秩检验进行统计显著性分析。对比实验涵盖ANN、GA-ANN、PSO-ANN、LSTM及XGBoost五种基准模型。

研究结果部分：

数据集与实验设置：研究选取Time Series Data Library中的五个基准数据集，包括具有季节性波动的AirPassengers、呈现周期特征的Sunspots、反映事故统计的Death and Injury、高随机性的Earthquake以及高可预测性的Insurance数据集。这些数据集在复杂度、非线性程度和时序动态特性方面各具差异，为全面评估框架性能提供了基础。

性能对比结果：通过表格数据对比可知，所有基于优化的神经网络模型均优于传统ANN。具体而言，GAPSO-ANN在大多数数据集上表现出更优的预测性能，以更低的MAPE、RMSE和MSE值及更高的R²得分验证了混合进化优化策略的有效性。对于AirPassengers和Sunspots等经典时序数据集，GAPSO-ANN能够解释超过96%的观测数据方差，有效捕捉季节性、周期性和非线性时序动态。

统计显著性分析：Wilcoxon符号秩检验作为非参数检验方法，适用于小样本且不要求正态分布假设。检验结果显示，GAPSO-ANN与所有基准方法比较时，p值均低于0.05显著性水平（p = 0.03125），表明性能差异具有统计显著性，排除了随机波动导致性能差异的可能性。

计算效率分析：由于两阶段优化过程涉及PSO架构优化和GA参数优化的顺序执行，GAPSO-ANN的计算耗时高于单一优化方法，尤其在Sunspots等大规模数据集上表现明显。但研究认为，这一计算代价换取了预测精度和模型稳健性的显著提升，在预测准确性优先于训练速度的应用场景中具有合理价值。

收敛行为与误差分析：以AirPassengers数据集为例，GAPSO-ANN展现出更快的收敛速度和更低的fitness值。误差直方图显示，GAPSO-ANN的误差分布最为集中且窄，训练MAPE为5.72%、测试MAPE为5.31%、RMSE为18，均优于对比模型，证明其具有最高的预测准确性和泛化能力。

讨论部分总结：GAPSO-ANN性能优势源于PSO与GA搜索能力的互补性。PSO高效探索架构搜索空间以确定合适的隐藏神经元数量，GA则对选定架构的可训练参数进行精细优化。这种顺序优化方案降低了GA阶段的搜索维度，避免了同步优化架构与参数时可能出现的染色体长度不一致问题，实现了探索与利用的更好平衡。实验结果证实，该框架对具有非线性和不同复杂度水平的数据集效果尤为显著，统计显著性分析进一步验证了结果的可靠性。研究同时指出若干局限：两阶段优化机制计算成本较高；框架目前仅针对单隐藏层前馈ANN架构设计，未扩展至深度神经网络；研究侧重实证验证而缺乏理论收敛性分析。未来研究可致力于理论层面的全局收敛保证、马尔可夫链收敛分析以及算法时间与空间复杂度的形式化推导，并探索该优化框架在深度学习架构和大规模优化问题中的适用性。

研究结论翻译：本研究提出了一种名为GAPSO-ANN的混合优化框架，通过结合粒子群优化和遗传算法以提升人工神经网络的预测性能。在该框架中，PSO用于寻找最优隐藏神经元数量，GA用于优化选定网络架构的连接权重和偏置值。这种两阶段优化策略克服了传统ANN训练的部分缺陷，为神经网络优化提供了更为系统的方法。所提模型在具有不同特征的五个基准数据集上进行了评估以验证其有效性。实验结果表明，对于大多数数据集，GAPSO-ANN产生的预测误差小于ANN、GA-ANN和PSO-ANN。研究人员还进行了与LSTM和XGBoost等最先进基线模型的额外比较，以更全面地评估性能。相对性能取决于数据集特性，但结果验证了所提出的GAPSO-ANN框架作为一种具有竞争力和鲁棒性的预测模型。与基于ANN的基准模型相比，性能提升具有统计显著性（Wilcoxon符号秩检验）。结果进一步表明，模型评估不应依赖于单一性能指标。R²提供了关于解释力的有用信息，但MAPE、RMSE和MSE等基于误差的指标给出了更完整的预测性能评估，特别是对于低方差或高随机性数据集。因此，在评估预测模型时，同时考虑多个评估指标非常重要。总之，所提出的GAPSO-ANN框架是建模复杂非线性系统的灵活、鲁棒且有效的方法。本研究结果表明了混合元启发式优化方法提升ANN功能和促进其在不同预测问题中应用的潜力。