一种用于全局优化、工程设计和前胡素含量近红外预测的多策略袋鼠逃逸优化技术

《Biomimetics》：A Multi-Strategy Kangaroo Escape Optimization Technique for Global Optimization, Engineering Design, and Near-Infrared Prediction of Praeruptorin Content

　　

袋鼠逃逸优化技术（KET）结合了逃逸搜索和安全区域搜索，但其固定的阶段分配、受限的引导范围、对低排名个体的有限改进以及种群状态信息的未充分利用会降低其在复杂问题上的性能。研究人员通过迭代依赖的阶段切换、基于种群比例的候选引导、选择性贪婪DE/rand-to-best/1改进和β-分布对立全局最佳引导，开发了一种多策略袋鼠逃逸优化技术（MSKET）。贡献在于将已有机制分配给特定的KET局限性，并在不同阶段和种群子集之间协调它们。MSKET通过在100维CEC2017和CEC2020测试套件上进行了30次独立运行评估。它在29个CEC2017函数中的22个和10个CEC2020函数中的8个上排名第一，并在两个套件上获得了最佳平均排名。消融、多样性和非参数统计分析进一步支持了所观察到的性能提升。MSKET还在活塞-杠杆和三杆桁架设计问题上获得了最佳的整体重复运行结果。对于近红外预测，MSKET-BP在测试集上获得了R²为0.86440，RMSE为2.1377，MAPE为5.0083%。这些结果表明在所检查的任务中搜索和预测性能得到了改善，尽管计算成本高于KET。

**论文解读：多策略袋鼠逃逸优化技术（MSKET）在全局优化、工程设计与近红外预测中的应用**

**研究背景与问题**
在工程优化、模型校准、参数识别和数据驱动预测中，问题常呈现非线性、多模态、约束和高维特征。梯度信息获取困难，变量间强相互作用限制了传统确定性方法。元启发式算法通过群体搜索提供无导数替代方案，但现有方法如粒子群优化（PSO）、哈里斯鹰优化（HHO）等存在多样性快速丧失导致早熟收敛，或局部细化不足影响最终精度等缺陷，尤其在高维复杂景观中更为突出。原始袋鼠逃逸优化技术（KET）结合逃逸与安全区域搜索，但存在固定阶段分配、引导范围受限、低排名个体缺乏细化、全局最佳邻域探索不足等问题，限制了其在复杂高维问题上的性能。为此，研究人员开发了多策略袋鼠逃逸优化技术（MSKET），旨在通过机制协调弥补KET的特定局限。该研究发表于《Biomimetics》。

**研究人员开展的研究与结论**
研究人员通过引入迭代依赖的阶段切换、基于种群比例的候选引导、选择性贪婪DE/rand-to-best/1细化以及β-分布对立全局最佳引导，对KET的四个组件进行修改，形成MSKET。在100维CEC2017和CEC2020测试套件上的30次独立运行中，MSKET在29个CEC2017函数中的22个和10个CEC2020函数中的8个中排名第一，平均排名最优。消融、多样性和非参数统计检验证实了性能提升。在活塞-杠杆和三杆桁架设计问题上，MSKET获得最佳整体重复运行结果。在近红外预测中，MSKET-BP模型在测试集上达到R² 0.86440、RMSE 2.1377、MAPE 5.0083%，显著优于传统BP网络。这些结果表明MSKET在搜索和预测性能上的改进，但计算成本高于KET。

**主要关键技术方法（不超过250字）**
MSKET保留了KET的逃逸搜索框架，通过四个机制改进：1）自适应阶段切换：基于迭代次数概率选择阶段1（逃逸）或阶段2（安全区域搜索），早期逃逸概率高，后期安全区域概率高；2）候选组引导机制：根据种群大小构建候选组，扩大安全区域引导个体选择范围；3）贪婪DE/rand-to-best/1突变：对低排名个体进行选择性后更新细化，使用差分变异结合全局最佳引导；4）β-分布对立全局最佳引导：基于当前种群动态边界和拥挤度，生成β-分布对立候选解挑战全局最优解。所有机制在特定阶段或种群子集上执行，而非均匀应用。算法在MATLAB R2023a中实现，种群30，迭代1000次，100维。

**研究结果**
**3.2.1 CEC2017关键指标分析**：MSKET在29个函数中的22个上排名第一，其余函数均在前三，在单峰、多峰、混合和复合函数上表现一致，尤其在混合和复合函数上显著优于KET（如F12均值从2.25×10⁸降至3.11×10⁷）。
**3.2.2 CEC2017收敛性分析**：收敛曲线显示MSKET在早期快速下降，后期持续细化，在大多数函数上达到最低最终适应度，且晚期停滞较少。
**3.2.3 CEC2017稳定性分析**：箱线图显示MSKET在30次运行中结果分布紧凑，中位数低，离群值少，重复运行稳定性强。
**3.2.4 CEC2017统计分析**：Wilcoxon秩和检验表明MSKET在大多数比较中显著优于其他算法，平均排名1.31，最低。
**3.2.5 CEC2017雷达图分析**：雷达图显示MSKET排名曲线在大多数函数上靠近中心，尤其混合和复合函数，排名稳定。
**3.3.1 CEC2020关键指标分析**：MSKET在10个函数中的8个上排名第一，其余两个分列第二和第三，标准偏差小。
**3.3.2 CEC2020收敛性分析**：收敛曲线显示MSKET在大多数函数上快速下降，后期达到较低适应度。
**3.3.3 CEC2020稳定性分析**：箱线图显示MSKET结果分布紧凑，波动小。
**3.3.4 CEC2020统计分析**：Wilcoxon检验显示MSKET显著优于大多数算法，平均排名1.30。
**3.3.5 CEC2020雷达图分析**：雷达图确认MSKET排名靠近中心。
**3.4 消融研究**：通过七个变体评估各组件贡献，累积变体平均排名逐步改善，MSKET（含所有组件）在CEC2017中排名第一（27/29函数），在CEC2020中全部第一。Friedman检验显著（p<0.001）。
**3.5 种群多样性分析**：MSKET在早期和中期保持较宽种群散布，后期逐渐收缩，表明更好的探索-开发平衡，而KET多样性快速下降。
**3.6 计算成本分析**：MSKET的函数评估次数约为KET的4.33倍，CPU时间从0.8511秒增至4.9531秒，主要来自DE细化、BD-OBL和适应度同步。
**3.7 统计比较**：Friedman和Iman-Davenport检验确认算法间显著差异，Nemenyi事后检验显示MSKET在CEC2017上显著优于所有比较算法，在CEC2020上优于部分算法。
**4.1 活塞-杠杆设计问题**：MSKET获得最小目标值1.057393888，均值相同，标准差7.81×10^-14，重复运行稳定性最佳，优于KET（均值41.27）。
**4.2 三杆桁架设计问题**：MSKET获得最优目标值263.895843376464，均值相同，标准差1.78×10^-13，排名第一，分布紧凑。
**4.3 近红外预测前胡素含量**：MSKET-BP模型在测试集上R² 0.86440、RMSE 2.1377、MAPE 5.0083%，优于传统BP和其他优化BP模型，预测值与实测值一致性高。

**讨论与结论**
研究结论部分：本研究开发了多策略袋鼠逃逸优化技术（MSKET），通过修改原始KET搜索过程的四个组件。自适应阶段切换和候选组引导被引入用于阶段分配和安全区域选择，而贪婪DE/rand-to-best/1细化和β-分布对立学习分别分配给低排名个体和全局最佳更新。贡献在于这些已有机制的KET特定协调。在100维基准测试套件上，MSKET在29个CEC2017函数中的22个和10个CEC2020函数中的8个上排名第一。消融、多样性和非参数统计分析表明，组合机制比单个变体产生更强的整体性能。MSKET还在活塞-杠杆和三杆桁架设计问题上获得了最佳整体重复运行性能。在近红外应用中，MSKET-BP在测试集上获得R² 0.86440、RMSE 2.1377、MAPE 5.0083%。这些发现表明，在所检查的基准、工程和回归任务中，MSKET改善了KET的搜索行为。然而，改进伴随着更高的函数评估和计算成本。此外，基准比较使用了等迭代预算，近红外结果基于单一数据分割。未来工作将致力于降低计算成本、进行等评价比较，并在更多工程问题和独立光谱数据集上验证该方法。