增强多策略改进动画燕麦优化算法（Enhanced Multi-Strategy Improved Animated Oat Optimization Algorithm, EAOO）及其工程应用

《Biomimetics》：Enhanced Multi-Strategy Improved Animated Oat Optimization Algorithm and Its Engineering Application

　　

为解决传统动画燕麦优化算法（Animated Oat Optimization Algorithm, AOO）存在的初始种群随机分布均匀性差、全局探索与局部开发动态平衡不足等固有缺陷，研究人员提出一种融合多策略改进的增强型动画燕麦优化算法（Enhanced Animated Oat Optimization Algorithm, EAOO）。首先，引入正弦混沌映射（Sinusoidal Chaotic Map）替代原始随机初始化方法，利用混沌序列的遍历性与均匀性优化种群空间分布，显著提升初始种群多样性。其次，在探索与开发阶段的领导者位置更新中嵌入非线性扰动因子，实现搜索范围动态自适应调节，有效平衡算法的全局探索与局部开发能力。最后，融入自适应t分布变异算子（t-Distribution Mutation Operator）并结合动态选择策略，迭代过程中自由度自适应调整，使算法在早期倾向于柯西分布（Cauchy Distribution）以增强全局逃逸能力，在后期逼近高斯分布（Gaussian Distribution）以实现局部精细搜索，从而克服原算法早熟收敛缺陷。研究人员基于CEC2017与CEC2020基准测试函数集进行仿真与对比实验，从优化精度、收敛速度及统计显著性等多角度系统评估。实验结果表明，所提EAOO在单峰、多峰、混合及复合等各类复杂函数上均表现出更优的综合性能，具有更高优化精度、更快收敛速度及更强鲁棒性，统计检验进一步证实EAOO与对比算法间存在显著性能差异。此外，研究人员将EAOO应用于焊接梁设计（Welded Beam Design）与压力容器设计（Pressure Vessel Design）两类典型约束工程优化问题，仿真结果显示EAOO可获得更优结构设计参数及更低制造成本，表明其在求解高维、非线性、约束工程优化问题中具备突出实用价值与广阔应用前景。

论文解读：增强多策略改进动画燕麦优化算法（EAOO）及其工程应用

一、研究背景与意义

随着现代工业制造、航空航天装备设计、土木结构优化、无线传感器网络部署及新能源调度等领域的快速发展，工程系统日趋复杂和高维，传统低维线性凸优化方法难以满足实际需求。高维、强非线性、多局部极值及含刚性约束的优化问题广泛存在，其目标函数常不可导且梯度信息不可用，导致牛顿法、梯度下降法等基于梯度的确定性求解器失效。传统确定性算法要求目标函数光滑凸性，在高维非凸曲面上易出现维数灾难、迭代停滞及早熟收敛。在此背景下，群智能（Swarm Intelligence, SI）优化算法凭借无梯度特性、强大全局搜索能力、灵活架构及强鲁棒性受到广泛关注。No Free Lunch（NFL）定理指出不存在通用最优元启发式算法，各类群智能算法均有其适用域与瓶颈。动物源元启发式如粒子群优化（Particle Swarm Optimization, PSO）和灰狼优化（Grey Wolf Optimizer, GWO）存在初始种群分布不均、后期收敛慢及高维性能退化等问题。植物源智能算法起步较晚，但植物种子远距离传播与吸湿形变等生存策略契合元启发式搜索逻辑。动画燕麦优化算法（Animated Oat Optimization Algorithm, AOO）是2025年提出的植物仿生优化器，模拟燕麦种子被动扩散、自驱滚动及遇障弹射三种传播模式，具结构简单、超参数少的优点，在低维函数优化和无线传感节点定位中表现良好。但原AOO存在纯随机初始化致个体聚集与搜索域覆盖不全、固定更新规则无法自适应协调探索与开发、缺乏变异扰动与逃离算子在多峰问题中易陷局部最优、高维约束工程任务中精度与稳定性骤降等缺陷，尚无系统性框架改进其初始化、迭代更新与逃逸机制。因此，研究人员参照多策略混合改进范式，提出增强型动画燕麦优化算法（Enhanced AOO, EAOO），并通过标准基准函数与经典约束工程问题验证其性能。该论文发表于《Biomimetics》。

二、主要关键技术方法

研究人员以原AOO为基础，实施三项改进：①采用Sinusoidal混沌映射（参数a=2.3，x_k+1=a·x_k·(1?x_k)）生成混沌序列替代均匀随机数重构初始种群位置，提升分布均匀性与多样性；②设计非线性扰动因子g=α·[1?(t/T)²]（α=4固定）嵌入领导者开发阶段位置更新公式，使搜索步长随迭代非线性自适应收缩；③构造以迭代次数t为自由度的自适应t分布变异算子X_mut=X_i^t·(1+t_df=t(0,1))，并引入动态选择概率q=q_max?(q_max?q_min)·(t/T)（q_max=q_min=0.8），早期大概率执行变异强化全局跳跃，后期降低概率保留开发。算法参数统一定为种群规模N=30、最大迭代T=1000、维度Dim=30、搜索边界[?100,100]，各算法独立运行30次。对比算法选取原AOO、黑翅鸢算法（Black-winged Kite Algorithm, BKA）、麻雀搜索算法（Sparrow Search Algorithm, SSA）、哈里斯鹰优化（Harris Hawks Optimization, HHO）、蜣螂优化器（Dung Beetle Optimizer, DBO）、GWO及河马优化算法（Hippopotamus Optimization Algorithm, HO），测试套件为CEC2017与CEC2020，工程案例为焊接梁设计与压力容器设计。

三、研究结果

2. Animated Oat Optimization Algorithm（原AOO简述）

原AOO分种群初始化（均匀随机数生成N×Dim矩阵）、全局探索（模拟风/水驱动长距离扩散，按个体编号模运算分三类更新）与局部开发（以0.5概率切换吸湿滚动—含Lévy飞行—与遇障弹射模式）三阶段迭代。研究人员指出其随机初始化、固定更新规则及无变异算子是主要缺陷来源。

3. Enhanced Animated Oat Optimization Algorithm（EAOO改进详述）

3.1 Sinusoidal Chaotic Map Initialization：用Sinusoidal映射迭代产生混沌序列替代公式(2)中随机数r重构初始位置X_ij=LB_j+(UB_j?LB_j)·x_k，使初始种群均匀覆盖全搜索空间。

3.2 Nonlinear Disturbance Factor-Based Leader Adaptive Update：在开发阶段领导者更新中引入g=4·[1?(t/T)²]，修改公式为X_leader^t+1=X_best+g·(r₁·(X_r2?X_r3)+r₃·(X_best?X_i^t))，远离最优时扩大搜索半径、接近时收缩，平衡探索与开发。

3.3 Adaptive t-Distribution and Dynamic Selection Strategy：构建t分布变异X_mut=X_i^t·(1+t_df=t(0,1))，早期df小近似Cauchy分布强扰动助逃局部极值的，后期df增大趋近Gaussian分布做局部精搜；动态概率q控制变异触发频率，前期高概率变异、后期降概率保收敛。

3.4 Algorithm Implementation Steps and Pseudocode：详述由混沌初始化→适应度评估→迭代计算种子特征参数/m/L/e/c、扰动因子g、动态概率q→依rand>0.5选全局探索或局部开发（开发时带入改进公式含g）→依rand>q决定是否t分布变异→边界修正与最优更新→至T终止输出X_best、F_best的流程。

3.5 Algorithm Complexity Analysis：时间复杂度O(T·N·(Dim+COF))、空间复杂度O(N·Dim+T)，与原AOO及其他主流群智能算法一致，改进策略为轻量即插即用，不引入额外计算负担。

4. Algorithm Comparison and Experimental Analysis

4.1 Analysis of CEC2017 Test Function Experimental：CEC2017含30函数分单峰/多峰/混合/复合四类。EAOO收敛曲线最陡峭——早期混沌初始化快速锁定优质区，中期非线性扰动缩减步长渐近全局最优，后期结合Lévy飞行细搜。多峰函数中自适应t分布变异（早Cauchy近似大跳变逃局部极值、晚Gaussian近似微扰精搜）配合动态概率控频防过度破坏优质个体，使EAOO在多峰复杂场景具强抗干扰与逃陷能力。混合与复合函数测试中，七种对比算法受旋转变换影响性能不同程度衰减（GWO/HO方向偏斜、SSA/DBO种群同质化、BKA/HHO震荡、原AOO平衡因子僵化），EAOO凭借三策略协同在高度耦合强变换函数上仍稳定收敛且远优于对比组。30次重复实验波动小，鲁棒性强。Wilcoxon秩和检验与Win-Tie-Loss统计支持EAOO显著优于对比算法。

4.2 Analysis of CEC2020 Test Function Experimental：CEC2020经强偏移、强旋转及高非线性变换，难度更高。七种对比算法受空间扭曲影响最优解偏离理论值明显，原AOO因初始不均易入次优可行域，BKA/HHO随机性强离散度大，SSA/DBO/GWO/HO高维扭曲空间搜效剧降；EAOO靠Sinusoidal混沌映射全域均匀采样窄可行域锁定高质量区，扰动因子调步，强干扰下仍保持极高解精度且所有测试函数结果优于七对比算法。收敛速度始终居首，早中期下降幅度显著高于其他，少迭代步达高质量最优解；稳定性上多次重复数据离散度最低、离群少，七对比算法或随机性强（BKA/HHO/HO）或易定陷局部（SSA/DBO/GWO）。高维环境下EAOO收敛精度与速度无明显衰减，具应对超高维复杂工程问题潜力。

4.3 Engineering Optimization Application Analysis

4.3.1 Welded Beam Design Optimization：四连续变量（焊厚h、焊长l、梁高t、梁厚b）最小化制造成本，约束含剪应力、弯曲应力、端部位移及尺寸边界。EAOO靠混沌初始化准确定位窄可行域防越界，非线性扰动调四结构参搜索范围实现协同匹配，t分布变异逃局部参数组合，得成本最低且满足全部安全约束方案；对比中原AOO参数搜索盲目冗余成本高，BKA/HHO后期参量波动大稳差，SSA/DBO陷局部参数组合缺深度，GWO/HO约束处理能力弱解近临界边界安全余量不足。

4.3.2 Pressure Vessel Design Optimization：四变量（筒体厚Ts取整倍0.0625、封头厚Th取整倍0.0625、内半径R、圆柱段长L）最小化总造价，约束含强度、压力安全及工艺尺寸。EAOO迭代中有效平衡厚-径-长耦合关系，满足承压与工艺约束下最大限度减材实现轻量化，壁厚合理留适度安全余量无冗余；对比中AOO/GWO壁厚过大浪费材料，BKA/HO径长比不合理空间利用率低，SSA/HHO/DBO部分解过近约束限安全隐患大。证明EAOO对复杂约束处理力佳、耦变协同优化力强。

综上工程案例分析，EAOO相较七种基准算法具更强约束适应性、变量耦合处理力及全局工程优化能力。

四、讨论与结论（翻译总结）

研究人员指出，为克服原AOO初始种群分布不均、迭代后期易陷局部最优、全局探索与局部开发权衡不足、优化精度低及高维鲁棒性差等缺陷，提出多策略融合的EAOO。三大改进分别为：Sinusoidal混沌映射替代随机初始化均匀化初始种群分布并提升多样性；嵌入非线性自适应扰动因子重构位置更新规则实现搜索步长全周期动态调节以平衡探索与开发；融合以迭代次数为自由度的自适应t分布变异算子配合动态选择概率策略，早期强全局跳跃后期局部精搜，显著增强逃陷能力与收敛精度。CEC2017与CEC2020基准测试显示EAOO在优化精度、收敛速度、迭代稳定性、高维鲁棒性及抗早熟收敛方面均显著优于AOO、BKA、SSA、HHO、DBO、GWO及HO；焊接梁与压力容器工程优化中EAOO给出更优结构参数与更低制造成本。时间复杂度O(T·N·(Dim+COF))与空间复杂度O(N·Dim+T)同原AOO，改进策略轻量无额外开销。研究人员认为EAOO有效弥补原AOO多数性能缺陷，未来可拓展至多目标过滤与Pareto前沿维护构建多目标EAOO、引入自适应调参/反向学习/混合变异以增强对超高维时变动态问题适应性，以及推广至无人机路径规划、神经网络超参数寻优、新能源负荷调度及无线传感网节点部署等实际工程领域。