摘要
为了解决原始Honey Badger算法（HBA）的局限性，包括过早收敛、搜索方向性受限以及在高维复杂优化问题中局部逃逸能力不足等问题，本文提出了一种基于交通驱动策略的改进版Honey Badger算法，即交通驱动协方差Honey Badger算法（TCHBA）。该算法引入了三种协同进化机制。首先，Elite Covariance Rotation Guidance从当前精英子集中学习相关的搜索方向，并将基于协方差的步骤注入HBA更新中。其次，Urban Traffic-Inspired Search利用种群密度和迭代依赖信号来调节搜索的吸引力和导向性。第三，在更新失败后激活Stagnation-Aware Lens Opposition Mutation机制，将透镜对立与重尾Cauchy扰动相结合，以恢复搜索的灵活性。在CEC2017（100维）和CEC2022（10维及20维）基准测试套件上进行了广泛的实验。实验结果表明，TCHBA在解决方案精度、收敛速度和统计稳健性方面显著优于九种先进的优化算法，包括VPPSO、EGWO、GJO、RIME、ALA、HBO、MO、PWO以及原始HBA。此外，TCHBA还被应用于台湾企业破产预测问题，这是一个具有代表性的金融风险分类任务。通过优化K近邻（KNN）分类器的关键参数，构建了一个TCHBA-KNN预测模型。在真实世界数据集上的实验结果表明，该模型在精度、Matthews相关系数（MCC）、召回率和F1分数方面表现出色，从而验证了该算法在现实世界工程和金融决策问题中的有效性和实际潜力。
