滑翔蛇优化器的多策略改进算法及其在全局优化与三维无人机路径规划中的应用

《Biomimetics》：MSGSO: A Multi-Strategy Glider Snake Optimizer for Global Optimization and 3D UAV Path Planning

　　

滑翔蛇优化器（Glider Snake Optimizer, GSO）中的信息通过领导者—前驱链传播。该结构简洁，但当相邻个体收敛至同一区域时会损失种群多样性。所提出的多策略滑翔蛇优化器（Multi-Strategy Glider Snake Optimizer, MSGSO）保留原始GSO更新机制，随后施加非线性动态多项式变异（Nonlinear Dynamic polynomial Mutation, NDM）、精英反向学习（Elite Opposition-Based Learning, EOBL）与二次插值（Quadratic Interpolation, QI）。MSGSO在CEC 2019与CEC 2022上以30组匹配随机种子、每算法—问题对15,000次目标函数评估进行评测，实验涵盖七种对照优化器及所有单算子、两两组合与三算子GSO变体。在34个基准问题上，MSGSO于31例显著优于GSO且无显著退步；但在外部对比中均排第三：L-SHADE领跑CEC 2019与CEC 2022（D=10），CMA-ES领跑CEC 2022（D=20）。消融实验将大部分增益归于NDM；NDM–GSO领跑CEC 2019的GSO变体，NDM–QI–GSO在CEC 2022两维度均领跑。无人机研究中，MSGSO在场景1的30次运行中返回29条可行路径，其余两场景每次运行均得可行路径；其在场景1与2的可行性优先排序居首，场景3排第三。故MSGSO改进了父算法，但完整三算子序列并非始终最优配置。

研究背景方面，元启发式算法常用于导数不可用、目标函数不连续或昂贵、可行性依赖多交互约束的场景，但参数敏感性、可扩展性、早熟收敛与可复现性仍是持续隐患。无免费午餐定理排除了跨问题类的普适优越性，新生物隐喻本身不构成新搜索原理。群体方法中表观改进可能源自额外候选评估、有利参数或受限基准，需用匹配种子、同等评估预算、重复运行与非参数检验分离算法增益与计算代价差异。滑翔蛇优化器（Glider Snake Optimizer, GSO）以链状结构更新，领导者引导、后继随前驱移动，实现简单却在领导与前驱聚拢同区时丧失多样性，且原版无显式反向、多项式变异调度或精英插值模型。研究人员据此保留GSO链更新这一决定性结构，引入具互补角色的NDM、EOBL与QI三类机制，以变异、多样化与精修增强而非替换原搜索。

关键技术方法上，研究人员采用顺序式MSGSO架构：在原始GSO链移动与弱个体替换后，依次执行NDM（扰动坐标，变异概率随迭代非线性下降，分布指数η=20，贪婪一对一保留较优者）、EOBL（基于种群动态边界构造反向点，越界重初始化，同样贪婪选择）与QI（取种群中三个不同精英解拟合二次模型估计坐标极小点，仅当改进全局最优时替换最差个体）。数值实验在MATLAB R2026a中进行，CEC 2019与CEC 2022（D=10与D=20）每算法—问题对30次匹配种子、严格15,000次目标评估预算；外部对比含GSO、GWO、WOA、PSO、DBO、CMA-ES、L-SHADE共八法；消融覆盖GSO父体、单算子、两两与三算子全子集；另设逐参数（OAT）变化与按评估次数索引的收敛分析。无人机案例沿用基准参数，三静态三维场景（10中间航点，决策维30），目标含路径长、转弯代价与圆柱障碍安全距离惩罚，500迭代×30种子，可行性优先于条件路径代价排序，统计用Fisher精确检验与Mann–Whitney检验。

研究结果部分，第二章回顾GSO：种群N呈链，领导者为当前最优，非领导个体位移由向领导者与向前驱两项合成，步长系数从1线性降至0，弱解以概率preplace替换，公式（1）至（6）给出初始化、位移与替换规则，MSGSO全数保留。第三章定义三策略与整合：NDM由式（7）至（9）以u∈[0,1)定多项式位移δ，pm(t)=0.5(1?t/T)²；EOBL由种群极值定动态界a_d=min(x_d)、b_d=max(x_d)，反向点x′_d=a_d+b_d?x_d，越界则均匀重采样；QI用三精英x_a,x_b,x_c及目标值拟二次，式（13）估x_d^QI，分母近零则抄最优坐标。算法1与图1给出周期：GSO更新→NDM→EOBL→排序取三精英→QI→贪心接受。每周期最多2N+1次评估，QI无三异精英则省去。

第四章实验表明：外部八法对比中MSGSO三设置均排第三，CEC 2019平均秩3.500（L-SHADE 2.300、CMA-ES 2.400），CEC 2022 D=10秩2.917（L-SHADE 1.417、CMA-ES 2.833），D=20秩3.583（CMA-ES 1.500、L-SHADE 1.750）；对父体GSO的W/T/L为8/2/0、11/1/0、12/0/0。完整子集消融显示NDM–GSO在CEC 2019平均秩最低（2.350），NDM–QI–GSO在CEC 2022两维分别1.750与2.333，完整NDM–EOBL–QI未胜出，增益主源NDM，QI配NDM有用，加EOBL同等预算下无一致再增益。OAT分析在D=10六函数上基线秩7.167，调序QI先于EOBL得5.167最优，种群增至80得5.833，η=5或k极端值最差（11.000与11.167）。收敛曲线按评估次数画，MSGSO晚于GSO脱平台，但L-SHADE与CMA-ES同预算内达更低误差。

第五章无人机研究：场景1（障碍较多）MSGSO与GWO各29/30可行，可行中位代价47.005对48.159无显著差异，GSO仅4/30可行且显著低于MSGSO（p<0.05）；场景2 MSGSO全可行，条件中位代价42.809最低，与CPO、SBOA、DBO、GWO同全可行组代价无显著差异；场景3 MSGSO全可行但可行性优先排第三，次于SBOA与CPO，条件代价与二者无显著差异。图8至图10显示场景1违反分布分化最大，MSGSO评估/迭代高于GSO致曲线长度不同，但500迭代末路径可靠性非评估效率优势。

讨论与结论翻译：MSGSO保留GSO链更新与弱替换，序贯施NDM、EOBL、QI；在30匹配种子、15,000评估下对父体W/T/L为8/2/0（CEC 2019）、11/1/0（CEC 2022 D=10）、12/0/0（D=20），但未成数值最优，外部对比均第三，次于L-SHADE与CMA-ES（次序依套件变），与所比群体法竞争但不支持优于既定数值优化器之泛称。消融指增益主源NDM，NDM–GSO领CEC 2019变体，NDM–QI–GSO领CEC 2022两维，完整三算子同预算未胜子集，EOBL加入无一致再益；OAT示算子序与种群量有影响，倾向选择性或自适应启停而非恒开三算子。无人机得限定结论：场景1为29/30可行，场景2与3全可行，前两相领可行性优先、场景3第三；场景1与GWO可行率及条件代价均无显著差异，场景3逊于SBOA与CPO；证明MSGSO可可靠解所述静态规划但不可推至动态环境或500迭代外效率断言。未来工作应研自适应算子激活、更广参数变化、同预算约束工程问题及动态障碍、能耗曲率、多目标与硬件在环验证。该文发表于《Biomimetics》。