《Machine Learning with Applications》：Adaptive Diversity-Enhanced Phasor Particle Swarm Optimization-Differential Evolution Hybrid for Unimodal-Multimodal Problems with Engineering Applications
编辑推荐：
本文提出了一种混沌量子相量粒子群优化-差分进化（CQPPSO-DE）算法，作为一种混合元启发式优化框架。其主要优化能力源自相量粒子群优化（PPSO）与基于成功历史参数自适应的差分进化（DE）之间的协同合作。在64个基准函数上进行的消融研究表明，PPSO和DE都
本文提出了一种混沌量子相量粒子群优化-差分进化（CQPPSO-DE）算法，作为一种混合元启发式优化框架。其主要优化能力源自相量粒子群优化（PPSO）与基于成功历史参数自适应的差分进化（DE）之间的协同合作。在64个基准函数上进行的消融研究表明，PPSO和DE都是所提出框架不可或缺的组成部分。将DE直接添加到PPSO基线中，在64个测试问题中的59个上取得了统计显著的改进，证实了PPSO-DE配对是最小有效优化核心。此外，引入了两个辅助机制以细化特定景观类型上的性能。首先，洛伦兹混沌初始化增强了初始种群的多样性，其在单峰和可分离景观上的益处最为明显。其次，量子启发随机游走（QIRW）机制在多峰景观上提供了有针对性的随机扰动，因为PPSO在这些景观上容易陷入过早收敛。研究发现，这两种机制的益处是问题依赖的，而非普遍有益；因此，它们被视为次要的增强机制，而非主要优化驱动因素。所提出的CQPPSO-DE算法使用CEC2021和CEC2022基准测试套件以及六个工程设计优化问题进行了评估。实验结果表明，与几种最先进的元启发式算法相比，CQPPSO-DE取得了具有竞争力的性能，同时相对于多个传统优化基线也展现出较大的实际效应量。
# 论文解读：基于混沌量子相量粒子群优化与差分进化的混合算法及其工程应用
## 1. 研究背景与问题
优化是工程领域中一个基本概念，旨在通过最大化或最小化目标函数并遵守特定约束，从一组备选方案中找到最优解。随着技术进步带来的挑战日益复杂，对高效、有效的优化方法的需求变得迫切。优化问题主要分为两类：单峰问题和多峰问题。单峰问题在搜索空间内存在单一最优解，优化过程相对直接。然而，现实世界应用通常涉及多峰问题，其中存在多个最优解，给优化算法带来了更大的挑战。多峰优化的目标不仅是找到全局最优解，还要找到其他局部最优解，这些解可以提供有价值的替代方案或对问题景观的洞察。多个最优解的存在使搜索空间变得复杂，需要实施专门技术来维持多样性并防止过早收敛到次优解。
元启发式技术已成为解决非线性和高维工程问题的关键工具，其中生物启发式群体智能仍占主导地位。相量粒子群优化（PPSO）通过引入相角（Θ）概念，为控制粒子属性提供了一种独特方法，演变为一种自调整、三角驱动、平衡、非参数化的元启发式算法。PPSO相比传统PSO具有多项优势，包括通过三角函数实现探索与利用的动态平衡、简化参数调整过程、更快的收敛速度等。然而，PPSO仍存在两个持续局限性：第一，在高维多峰景观上易陷入过早收敛，相量驱动的速度更新缺乏足够多样性来逃离深层次局部最优；第二，在非连续或欺骗性景观上鲁棒性有限，其三角参数化无法提供良好的方向引导，也难以实现精确收敛。为此，研究人员提出了CQPPSO-DE算法，通过针对性添加洛伦兹混沌初始化、量子启发随机游走和DE变异来弥补这些缺陷。
## 2. 主要技术方法
研究人员为开展本研究采用了以下关键核心技术方法：（1）**相量粒子群优化（PPSO）**：利用相角（Θ）和三角函数进行全局探索，通过周期性参数化实现动态平衡；（2）**成功历史差分进化（DE）**：采用JADE风格的`DE/current-to-pbest/1`变异策略，结合基于成功历史的参数自适应机制，提供无梯度局部精炼和停滞逃离能力；（3）**洛伦兹混沌初始化**：利用洛伦兹吸引子生成非重复、有界的初始种群，增强搜索初期多样性；（4）**量子启发随机游走（QIRW）**：从量子随机游走的硬币算子类比中借鉴相位调制方向控制的结构原理，并应用振幅衰减因子，提供结构化随机扰动的经典算子；（5）**约束处理机制**：采用Deb（2000）的可行性规则，无需惩罚系数，通过三个规则处理约束条件。样本队列来源包括CEC2021和CEC2022基准测试套件（共32个不同函数，每个在10维和30维下评估，共计64个测试案例）以及六个工程设计优化问题。
## 3. 研究结果
### 3.1 消融研究（Ablation Study）
通过对64个基准函数的系统消融研究，从仅包含PPSO机制的最小基线（Core_PPSO）开始，逐步添加组件。结果表明，DE是唯一具有普遍益处的组件。直接控制变体V_PPSO_DE（仅将DE添加到PPSO基线中）在64个问题中的59个上产生了统计显著的改进，整体平均误差从9.60×10??降至7.40×101，确立PPSO-DE配对为最小有效优化核心。洛伦兹混沌初始化（+V1_Chaos）在64个问题中的37个上产生了统计显著的改进，益处集中在单峰和可分离景观（20个单峰案例中的15个）。QIRW（+V2_QRW）在64个问题中的28个上产生了统计显著的改进，增益集中在多峰景观（36个多峰案例中的15个），但在组合函数上未产生任何显著改进（W+ = 0/2）。集体而言，这些结果确认了清晰的贡献层级：PPSO-DE配对是最小有效核心，洛伦兹混沌初始化和QIRW是次要的、问题依赖的增强机制。
### 3.2 基准函数测试（Benchmarking Functions）
在10个单峰和多峰基准函数上的测试中，CQPPSO-DE展示了竞争性结果。在单峰函数（Sphere、Rosenbrock、Zakharov、Dixon-Price）上，CQPPSO-DE在Sphere和Zakharov上达到绝对精度（均值为0）。在多峰函数（Ackley、Griewank、Lévy、Michalewicz、Rastrigin、Schwefel）上，CQPPSO-DE在Ackley上达到4.71E-15，在Lévy上达到1.5E-32，在Rastrigin上达到0。Friedman平均秩检验显示，在28个算法中CQPPSO-DE的平均秩约为10，位居前三分之一。成对Wilcoxon符号秩检验（Holm-Bonferroni校正）表明，CQPPSO-DE在22个比较算法中取得了统计显著的改进，包括SHADE和L-SHADE等成熟算法，效应量从可忽略到大型不等。
### 3.3 CEC2021函数测试（CEC 2021 Functions）
在CEC2021测试套件的10个函数上，CQPPSO-DE在7个函数（F1、F2、F3、F5、F7、F8、F9）上达到精确值，其余函数上误差极小（F4上0.40单位，F6上0.89单位，F10上0.0004单位），总误差约1.29单位。Friedman平均秩测试显示CQPPSO-DE获得第二最佳总体秩，仅次于AO。统计分析表明，CQPPSO-DE在9个比较算法上取得了统计显著改进，包括其直接前身Chaos PSO和QPSO，同时被14个算法统计显著超越，包括SHADE和L-SHADE，效应量从可忽略到大型不等。
### 3.4 CEC2022函数测试（CEC 2022 Functions）
在CEC2022测试套件的12个函数上，CQPPSO-DE在12个函数中的9个上进入前三名，至少确保一个第一名，且从未进入排名后半部分。Friedman平均秩为2.958，与L-SHADE和SHADE并列顶级算法。与PSO基线方法相比，CQPPSO-DE的秩约是标准PSO的5倍，是QPSO的9倍以上。成对检验表明，CQPPSO-DE在25个比较算法中取得了统计显著改进，多数效应量达到大型（如ABC、AO、GTO、PSO等），被2个算法（RW_GWO和SHADE）统计显著超越，效应量分别为小型和可忽略。
### 3.5 工程应用（Real Engineering Applications）
在六个工程设计问题上，CQPPSO-DE均取得了极具竞争力的结果：
- **齿轮设计问题**：达到最优解（f=2.70086E-12），与多种算法等效。
- **螺旋弹簧设计**：目标值0.051689061，与L-SHADE和SHADE等效，略高于GTO（0.051109814）。
- **焊接梁设计**：目标值4.633821069，与L-SHADE、SHADE、MPA等最佳算法等效。
- **压力容器设计**：目标值3084.711046，与ARO、L-SHADE、PSO等最佳算法等效。
- **三杆桁架设计**：目标值263.8958434，与ARO、MPA、PPSO、SMA等最佳算法处于同一水平。
- **经济调度问题**：总成本8234.07，与SHADE等效，低于所有其他比较算法，展现了灵活的发电策略。
## 4. 讨论与结论
### 4.1 讨论总结
消融研究确认了明确的贡献层级：PPSO-DE配对是最小有效优化核心，在64个案例中的59个上取得了可测量的改进；洛伦兹混沌初始化和QIRW是次要的、问题依赖的增强机制。DE在所有问题类别上持续贡献性能改进，QIRW为易过早收敛的多峰景观提供针对性优势，洛伦兹混沌初始化通过增强初始种群多样性对单峰和可分离问题特别有益。CQPPSO-DE在CEC2021和CEC2022基准测试以及六个工程问题上均展现出与顶级求解器相当的性能，但其优势是问题依赖的，而非普遍优越。
### 4.2 研究结论（翻译）
所提出的CQPPSO-DE算法引入了一个增强的PPSO-DE混合框架，并辅以两个促进多样性的机制。基于在64个基准函数上进行的消融分析，PPSO和DE之间的协同交互，结合基于成功历史的自适应参数调优，构成了所提出框架的主要优化引擎；一个直接将DE添加到PPSO基线中的控制变体确立了此PPSO-DE配对为最小有效核心，在64个案例中的59个上显示出相对于纯PPSO基线的可测量改进。剩余组件，即洛伦兹混沌初始化和量子启发随机游走（QIRW）策略，作为补充性的、问题依赖的机制。在CEC2021和CEC2022基准测试套件以及六个工程设计优化问题上的实验评估表明，与最先进的元启发式算法相比，CQPPSO-DE取得了极具竞争力的性能，在多个传统优化方法上展现出统计显著的改进。正如统计验证所支持的，所提出的算法应被视为一个稳健、有竞争力的优化器，提供与顶级求解器相当的性能，而非在所有问题类别上普遍优越的方法。每个类别的消融分析进一步揭示，DE在每个问题类别上始终贡献性能改进，而QIRW为易过早收敛的多峰景观提供针对性优势，洛伦兹混沌初始化通过增强初始种群多样性对单峰和可分离问题特别有益。未来的工作将致力于将CQPPSO-DE扩展到更多受约束的、单目标和多目标工程优化问题，并进一步分析PPSO-DE核心与补充性多样性算子之间的交互作用。
