摘要
牛顿下山优化器（NDO）将无导数下山关系与种群差异相结合。然而，其混合引导算子采用随机参考和持续最优解引导，可能导致方向波动和种群过早收缩。本研究提出了自适应适应度-距离引导牛顿下山优化器（AFDNDO）。适应度-距离平衡选择机制识别同时兼顾解质量和空间多样性的引导个体。阶段保护、精英保护和历史成功率反馈共同调控改进分支的激活。三脚架重尾更新和波加权掩膜差分更新重建了原始的两个分支。此外，当全局最优值停滞时，还会对低质量个体触发非均匀变异。在CEC2017、CEC2020和CEC2022上的30次独立运行中，AFDNDO在所有六项正式基准配置中均取得了最低平均排名。其在10维、30维和50维CEC2017测试上的平均排名分别为1.172、1.241和1.276。动态路径规划环境包含刚性障碍物、三个等级的软风险区域以及移动障碍物。在单目标环境中，AFDNDO-DWA实现了100%的执行成功率且无碰撞。在多目标环境中，相对于NDO，其平均目标值降低了4.46%至6.64%。在最受限的环境中，成功率也从63.33%提高至70.00%。这些结果表明，AFDNDO在保留NDO基本框架的同时，提升了跨景观优化性能。同时，其也支持在所测试的动态多任务环境中作为全局规划器使用。
