《Biomimetics》：Enhanced Moss Growth Optimization with Benchmark Validation and a Wastewater Treatment Prediction Case Study
编辑推荐：
复杂优化任务在数据驱动预测与工程应用中常涉及非线性、多模态与病态目标函数。本研究提出一种增强苔藓生长优化算法（Enhanced Moss Growth Optimization，EMGO），作为基线MGO框架的改进变体，用以强化探索步长控制与局部协方差利用。E
复杂优化任务在数据驱动预测与工程应用中常涉及非线性、多模态与病态目标函数。本研究提出一种增强苔藓生长优化算法（Enhanced Moss Growth Optimization，EMGO），作为基线MGO框架的改进变体，用以强化探索步长控制与局部协方差利用。EMGO引入两项关键算法增强：预算自适应跳跃调节机制，平衡全局散布与细粒度精炼；以及带相对特征值下界的收缩正则化协方差引导采样算子，以在无秩亏情况下利用精英个体间的相关结构。所提算法在CEC2017基准套件上于50维与100维、29个测试函数、30次独立运行、每次运行函数评估预算为104×D下评估，对比包括CMA-ES、L-SHADE、SBO与基线MGO在内的十种前沿优化器。非参数Friedman排序、Holm校正的Wilcoxon符号秩检验与运行时间匹配分析表明，EMGO在高维地形上取得极具竞争力的性能。此外，EMGO被用于调优支持向量回归（Support Vector Regression，SVR）超参数，基于UCI水处理厂数据集、在扩展窗口滚动原点交叉验证方案下预测出水悬浮固体（Suspended Solid，SS）。EMGO-SVR取得优越预测精度（RMSE、MAE、R2），优于标准SVR、树基集成与贝叶斯优化基线。基于SHAP的特征重要性分析确认了模型预测在物理与工艺上的一致性。
研究背景方面，数据驱动预测与工程优化常面临非线性、多模态、病态条件与黑箱目标，传统梯度法受限，元启发式虽灵活但基线苔藓生长优化（Moss Growth Optimization，MGO）存在坐标更新忽略精英相关性与探索步长浪费评估的问题。研究人员在《Biomimetics》发表该文，旨在保留MGO仿生骨架的同时，以模块化数学增强提升其高维连续优化能力，并迁移至污水处理出水悬浮固体预测这一实际回归任务中验证效用。
关键技术方法上，研究人员以CEC2017数值基准（50维与100维、29函数、30次独立运行、预算104×D）做算法层验证，对比CMA-ES、L-SHADE、SBO等十种优化器，采用Friedman排序、Holm校正Wilcoxon检验与运行时间匹配分析；应用层采用UCI水处理厂数据集（522条有序记录），以扩展窗口滚动原点交叉验证（十折外循环、每折五种子）调优SVR超参数，并以SHAP解释特征贡献。
研究结果部分，第二节给出EMGO构造：基线MGO含风向判定、孢子散布、双传播与隐生（cryptobiosis）记录替换；EMGO新增预算自适应跳跃调节（式15–17，跳跃因子随评估进度由大趋一）与收缩正则化协方差引导精英采样（式18–23，精英数m<D时通过迹保持收缩与相对特征值下界保证正定），算法为评价预算感知型，单个体消耗一至两次评估。第三节基准实验显示，50维平均Friedman排序L-SHADE 1.97、EMGO 2.48、CMA-ES 3.24、SBO 3.38、MGO 4.72；100维L-SHADE 2.03、CMA-ES 2.45、EMGO 2.83；Wilmoxon+Holm表明EMGO在50维显著优于SBO、MGO、HGS、FATA、RUN、TKOA、SA、PSO（p<0.05），与L-SHADE/CMA-ES竞争；运行时间接近CMA-ES；LHS参数敏感分析选定m=15、步长0.5、学习率0.4位于低误差盆地；协方差条件数诊断显示正则化将条件数稳定在102级而非原始秩亏发散；收敛曲线显示早期跳跃调节促快速下降、后期协方差采样稳渐近精炼。第四节污水处理应用：EMGO-SVR十折均值RMSE、MAE、MAPE最低，R2最高，较MGO-SVR的RMSE相对降10.2%；配对Wilcoxon+Holm与万次Bootstrap置信区间支持其显著优于MGO-SVR、PSO-SVR、BO-GP-SVR、XGBoost等十二模型；SHAP指出进水SS-E、DBO-E、DQO-E、SED-E与SS-D为最主要正向驱动变量，符合工艺物理化学认知。
讨论与结论翻译：本研究开发并评估了增强苔藓生长优化算法（EMGO），以解决连续优化中探索步长调节与精英相关利用难题。EMGO在基线MGO中形式化两项核心数学增强：预算自适应跳跃调节实现从广域探索到精细局部搜索的平滑过渡；带相对特征值下界的收缩正则化协方差引导采样在高维空间无数值秩亏地建模精英相关结构。在50维与100维29个CEC2017函数上的综合基准表明，EMGO相较CMA-ES、L-SHADE、SBO与基线MGO具高度竞争力；非参数Friedman排序、Holm校正Wilcoxon检验、rank-biserial效应量、运行时间匹配与LHS参数敏感分析确认了机制鲁棒性。EMGO进一步在扩展窗口滚动原点协议下调优SVR超参数以预测污水处理厂出水悬浮固体，EMGO-SVR较基线元启发式调优SVR与树基模型统计显著更优且泛化误差更低，SHAP特征重要性验证了所学模型与污水处理动力学在物理上的一致。未来研究将探索对角与低秩协方差近似以适配超高维，并引入在线自适应学习应对动态工业环境的时间概念漂移。
