《Biomimetics》：Beyond Bio-Inspired Algorithms: Using Bird Landing Dynamics to Design Adaptive Parameter Control in Metaheuristics
编辑推荐：
生物启发在元启发式算法的设计中主要用于表征生物体、行为或自然过程。本研究提出了一种不同的用途：借鉴生物学现象来模拟现有算法内部参数的时间演化。以对数均值优化（Logarithmic Mean Optimization, LMO）作为案例研究，重点关注β，β
生物启发在元启发式算法的设计中主要用于表征生物体、行为或自然过程。本研究提出了一种不同的用途：借鉴生物学现象来模拟现有算法内部参数的时间演化。以对数均值优化（Logarithmic Mean Optimization, LMO）作为案例研究，重点关注β，β缩放随机扰动项并调节探索与开发之间的平衡。受鸟类着陆过程中观察到的渐进转变启发，提出了一种由m和k控制的归一化反正切轨迹。这两个超参数通过Optuna中实现的Tree-structured Parzen Estimator (TPE)进行贝叶斯优化调优。23个基准函数被分为12个调优函数和11个独立测试函数。九种配置通过每个函数31次运行进行评估。Friedman检验显示各变体之间存在显著差异（），所提出的公式取得了最佳平均秩（1.7273）。采用Holm校正的事后Wilcoxon检验发现，与八个替代方案中的两个存在显著差异。总体而言，结果表明，当生物启发被用作设计自适应参数控制机制的标准时，可以带来改进，并可作为设计新型元启发式算法的一种潜在替代方案。
**论文解读**
优化问题在工程、科学与工业中常具有高维、多模态和非凸性，精确方法在大规模下计算代价过高，元启发式算法通过平衡全局探索与局部开发而成为有效替代。传统生物启发算法从生物、物理或社会现象中提取搜索算子、移动规则和更新策略，例如粒子群优化、鲸鱼优化算法等。然而，这类方法普遍依赖内部参数值，其微小变化可显著影响收敛速度和解质量。参数控制策略虽已有静态调优、自适应控制和自自适应控制，但参数随时间演化的轨迹如何塑造，仍缺乏原则性建模。生物系统本身具备精细调节内部机制以响应环境变化的能力，鸟类着陆即为典型：在接近目标时，鸟类从高自由度探索性飞行逐步过渡到精确控制运动。这一渐进过渡特性尚未被用于优化算法内部参数的动力学建模。本研究因此提出一种不同的生物启发用途：利用鸟类着陆动力学为现有算法中内部参数的时间演化提供模型，而不是构造全新元启发式算法。研究人员选择对数均值优化（Logarithmic Mean Optimization, LMO）作为案例，因其原始公式中的β参数缩放随机扰动项并影响探索—开发平衡，但未规定其数值或变化规则，适合隔离研究。研究中提出由m和k控制的归一化反正切轨迹来动态更新β，并通过Optuna框架中的Tree-structured Parzen Estimator (TPE)进行贝叶斯优化自动确定超参数。在23个经典基准函数上，按类别分层抽样划分为12个调优函数和11个独立测试函数。最终，在测试函数上，所提出的生物启发公式取得了最佳平均秩，且统计检验确认了显著差异。该成果发表于《Biomimetics》。
关键技术方法概述：研究人员利用鸟类着陆动力学的概念抽象，构造归一化反正切函数作为β的动态轨迹，由m（过渡位置）和k（过渡陡度）控制。超参数通过Optuna中TPE贝叶斯优化算法确定，采用分层抽样将23个基准函数分为12个调优集和11个测试集（分层种子42）。调优过程中，每个候选配置在12个调优函数上以五个固定随机种子运行，全局目标函数为归一化剩余最优间隙的平均值，最终选择单一全局超参数对并固定。评估阶段比较了九种β控制策略，包括固定值、二次递减、GWO式线性递减、指数递减、AIWPSO自适应以及所提出的生物启发形式。统计方法包括Friedman检验、事后Wilcoxon符号秩检验及Holm校正。
研究结果部分保留了原文小标题：
3.1 实验设置与计算时间：11个测试函数、9种LMO变体、31次独立运行、种群50、迭代100次，累计3069次执行，总耗时约63分40秒。
3.2 适应度结果：按31次运行的中位适应度排名，LMOBIOINSPIRED在11个测试函数中的8个上取得最低中位适应度，包括F2、F4、F5、F10、F11、F19、F20和F21。
3.3 测试函数的统计结果：应用Friedman检验，校正后统计量χ2=60.4364，自由度8，p=3.8269×10
-10，拒绝九种变体等效性的零假设；Kendall协调系数W=0.6111，表明秩一致性较高。平均秩计算显示LMOBIOINSPIRED为1.7273，显著低于其他变体。事后两两Wilcoxon检验经Holm校正后，LMOBIOINSPIRED与LMOB025（p<0.001，11胜0负）和LMOAIWPSO（p=0.0107，10胜1负）存在显著差异；与其他变体虽未达显著，但胜场占优。
3.4 消融研究：为隔离β时间轮廓的作用，比较LMOBIOINSPIRED与LMOSTEP（从β=1突变至β=0）、LMOGWO（线性递减）和LMOB01（常数0.1）。LMOBIOINSPIRED取得最佳平均秩，Friedman检验显著，事后Holm校正仅对LMOSTEP显著；其平均探索/开发占比为17.47%/82.53%，执行时间与对照相近。
4. CEC 2022基准套件上的结果：采用相同九种变体在12个CEC 2022函数上评估，LMOBIOINSPIRED保留先前固定的超参数，无额外调优。Friedman检验显示χ2=14.6，p=0.0479，拒绝零假设；LMOBIOINSPIRED平均秩3.0833为最优，但事后Holm校正后仅对LMOAIWPSO显著（12胜0负，p=0.0487）。在函数F1、F3、F5、F11上取得最低中位适应度，与LMOB01并列最好的函数数量。
5. 在GWO中实现生物启发β：为验证可迁移性，研究人员将生物启发轨迹用于灰狼优化器（GWO）的线性参数a。调优得到m=79.44、k=0.011，并对比原始GWO。11个测试函数上，GWOBIOINSPIRED平均秩1.5909，原始GWO为1.4091；Wilcoxon检验p=0.75，无显著差异。结果表明该机制可迁移但未展现出整体优势。
总结讨论与结论：研究表明，生物启发不仅可用于构造搜索算子，还可用于设计内部参数的自适应控制机制。在LMO案例中，基于鸟类着陆动力学的β轨迹在多个基准集上取得最佳平均秩，统计检验支持其相对于部分替代策略的优越性。消融实验确认渐进过渡的价值，但在CEC 2022上优势并非对全部策略显著，且GWO迁移实验未获显著增益，说明机制的有效性依赖于算法和参数的角色。结论是，生物启发用于参数控制设计可带来改进，是开发或修改元启发式算法时值得考虑的替代路径；未来需进一步探索其他生物学现象及算法特化适应。
