基于三向引导与自适应差分进化的改进苔藓生长优化算法及其工程优化应用

《Biomimetics》：A Tri-Direction Guided Moss Growth Optimizer with Adaptive Differential Evolution for Engineering Design Problems

　　

本文提出一种改进的苔藓生长优化（Improved Moss Growth Optimization，IMGO）算法，以解决原始苔藓生长优化（MGO）算法在勘探与开发之间失衡以及易陷入局部最优的缺陷。IMGO融合了三向引导、精英引导、自适应搜索和自适应对抗学习四种策略，实现了全局勘探与局部开发之间的动态平衡。在CEC2017和CEC2022基准测试集上，将IMGO与八种元启发式算法进行了对比。结果表明，IMGO在CEC2017的30维和50维测试中均排名第一，得分分别为49和64，优于排名第二的CFDA算法（得分分别为87和81）。在CEC2022的20维测试中，IMGO以27分排名第一，而原始MGO得分66，排名第七。Friedman检验验证了其强大的鲁棒性，统计量为1.6897，低于CFDA的3.0000。此外，IMGO在所有六个工程设计问题中均获得了最优平均解。实验验证了IMGO在精度和鲁棒性方面具有综合优势，为解决复杂优化问题提供了一种可靠的方法。

**论文解读**

**一、研究背景与问题提出**

优化技术作为提高生产效率和降低资源消耗的核心手段，已广泛应用于科学研究和工程实践。随着工程技术的持续发展，路径规划、资源调度、医疗应用和图像处理等典型场景中的优化问题日益复杂，普遍呈现高维度、非线性和多约束等突出特征。传统基于梯度的优化算法在处理此类复杂问题时存在明显局限：对目标函数性质要求严格，容易陷入局部最优解，收敛速度慢且参数敏感性强，在高维空间中易出现"组合爆炸"现象，导致计算复杂度急剧上升，难以在实际应用中稳定获取高质量优化结果。

元启发式算法应运而生，这类算法不依赖梯度信息，其搜索策略源于自然生物行为或物理法则的启发，具备优越的全局搜索能力和鲁棒性。然而，随着实际优化问题复杂性的不断升级，粒子群优化（Particle Swarm Optimization，PSO）、遗传算法（Genetic Algorithm，GA）和差分进化（Differential Evolution，DE）等经典元启发式算法也逐渐暴露出其固有局限：一方面容易早熟收敛，难以跳出局部最优解；另一方面在迭代后期收敛速度呈现显著下降趋势。

苔藓生长优化（Moss Growth Optimization，MGO）算法受自然界苔藓生长模式启发，通过孢子扩散搜索、双重繁殖搜索和隐生机制三个核心策略实现最优解求解，已成功应用于工程设计问题。但根据"没有免费午餐"（No Free Lunch，NFL）定理，不存在适用于所有优化问题的通用元启发式算法。MGO及其变体仍存在以下四项关键局限：第一，模拟"湍流风"时扩散方向过于单一且随机性过强，无法准确反映真实湍流运动的多向性和复杂动态特征，导致算法全局勘探效率低下且易陷入局部最优；第二，整个迭代过程中采用固定单一的搜索行为模式，缺乏根据搜索进程动态调整"勘探"与"开发"强度的能力，破坏了二者之间的有效折中；第三，当孢子或苔藓种群扩散到非最优区域时运动状态趋于停滞，种群空间分布多样性迅速丧失，削弱了全局勘探潜力，易引发早熟收敛；第四，现有MGO变体仅聚焦单维度优化，未能系统地解决勘探-开发失衡问题，且缺乏阶段性动态调整机制，致使其在高维问题中难以兼顾收敛速度和求解精度。

为解决上述问题，研究人员提出了一种融合自适应差分进化的新型三向引导苔藓生长算法（IMGO），集成了四项核心改进策略，旨在突破MGO的性能瓶颈，为复杂工程优化问题提供更可靠的解决方案。

**二、关键技术与方法**

本研究采用的核心技术方法如下：（1）三向引导机制：从原始样本集中随机采样新随机矩阵，同时选择高质量样本矩阵提供全局最优方向，选取次优样本矩阵补充次优区域信息，三者联合引导搜索方向更新，打破原始MGO单向扩散的局限，扩展搜索范围并增强种群多样性。（2）精英引导的维度差分进化：以全局最优个体为变异基准，利用随机向量控制变异幅度，逐维度执行差分变异操作，在迭代后期实现精细化局部开发，提升收敛精度。（3）自适应搜索机制：引入基于误差函数（erf函数）的非线性递减自适应概率参数P_a，实现不同搜索阶段之间的平滑切换，早期侧重勘探、后期侧重开发，动态平衡勘探-开发节奏。（4）自适应反向学习策略：设计基于二次衰减的触发概率参数P_b和双随机向量更新公式，通过系统性地探索当前搜索空间的反向区域，增强算法跳出局部最优的能力。实验验证以CEC2017和CEC2022基准测试套件为平台，CEC2017包含29个测试函数（涵盖单峰、多峰、混合和复合函数），CEC2022包含12个更复杂的测试函数。对比算法包括MGO、蛇优化器（Snake Optimizer，SO）、企业发展算法（Enterprise Development，ED）、向光生长算法（Phototropic Growth Algorithm，PGA）、三角拓扑聚合优化器（Triangulation Topology Aggregation Optimizer，TTAO）、高效改进灰狼优化器（Efficient Improved Grey Wolf Optimizer，HGWO）、高效改进鲸鱼优化算法（Efficient Improved Whale Optimization Algorithm，EIWOA）和高效改进流向算法（Efficient Improved Flow Direction Algorithm，CFDA）。所有对比算法统一采用种群规模N=50，最大函数评估次数MaxFEs=2000，各独立运行30次。参数敏感性分析在81种参数组合下进行，烧蚀实验构建了六种中间改进变体（MGO_a、MGO_ab、MGO_ac、MGO_b、MGO_bc、MGO_c）。

**三、研究结果**

**参数敏感性分析。** 在CEC2017基准测试集上对核心参数P_a和P_b进行81种组合的系统敏感性测试，热力图结果表明，当P_b=0（即未启用自适应反向学习机制）时算法性能普遍较差，验证了该机制的关键作用；P_a=20与P_b=0.1的参数组合使IMGO达到最优性能，被确定为默认配置。

**烧蚀实验。** 将三项改进机制（三向引导、自适应搜索结合精英引导差分进化、自适应反向学习）逐步融入原始MGO，构建六种中间变体进行对比。原始MGO的总排名得分为210，六种中间变体均取得更优得分，而完全融合三项机制的IMGO以42分获得最优。Friedman检验临界差异图显示，IMGO的平均排名最优，与MGO_ab无显著统计差异，但显著优于其他变体和原始MGO，验证了各项改进策略的有效性及三项机制不可缺一的协同互补关系。

**IMGO与MGO的定性比较。** 在CEC2017的F3（单峰函数）和F8（多峰函数）上进行搜索轨迹历史、种群多样性和勘探-开发平衡的定性分析。在F3上，IMGO的适应度值下降更快且最终值更低，迭代后期仍保持高于MGO的种群多样性，400次迭代前侧重勘探、之后转向开发，种群迅速从全局分散收敛至最优区域，搜索效率显著高于MGO。在F8上，IMGO能精确收敛至目标值而MGO仅在固定区间维持稳定，IMGO的搜索点分布于多个区域而MGO高度集中，归功于三向引导策略；在约300至400次迭代时MGO的开发率超过95%但勘探率低，而IMGO凭借自适应反向学习策略在后期仍能保持种群多样性，实现了勘探与开发性能的动态平衡。

**定量比较分析。** 在CEC2017的30维测试中，IMGO以总排名第一，Mean指标取得19个最优结果和4个次优结果，Std指标取得17个最优结果和4个次优结果；在50维测试中同样排名第一，Mean指标取得13个最优结果和6个次优结果。在CEC2022的20维测试中，IMGO以总排名27位居首位，而MGO得分66排名第七；IMGO的Mean指标取得4个最优结果和5个次优结果且无最差结果。三组实验一致表明IMGO在优化精度和稳定性方面均显著优于所有对比算法。

**统计分析。** Friedman检验结果表明，在CEC2017的30维和50维场景中IMGO均值分别为1.6897和2.2069，CFDA分别为3.0000和2.7931，MGO分别为6.4483和7.3793；在CEC2022的20维场景中IMGO均值为2.1364，CFDA为3.8636，MGO为5.7273。所有p值均远低于0.05显著性水平。Wilcoxon符号秩检验显示，在CEC2017的30维对比中IMGO与MGO的R+和R?值分别为446.00和19.00，IMGO在所有29个函数上均优于MGO；50维中R+为427.66，R?为37.34，IMGO在所有28个函数上均优于MGO；在CEC2022上R+为368.58，R?为96.42，IMGO在11个函数上优于MGO，仅1个函数劣于MGO。Holm事后检验进一步确认了IMGO的显著优越性。

**复杂度分析。** IMGO的时间复杂度为O(N·D·T+N·T·C)，与基础MGO算法保持一致。尽管引入了概率参数和多策略更新机制，IMGO在保持同等计算效率水平的同时提供了更优的搜索性能。

**收敛性分析。** 在相同初始种群条件下，IMGO在大多数测试函数上取得最优收敛精度，尤其在30维函数上得益于精英引导维度差分进化策略而实现显著精度优势；在搜索初期即实现适应度值的快速下降，收敛速度明显快于MGO及其改进变体；当多数对比算法停滞时，IMGO凭借自适应反向学习策略仍能保持持续收敛，体现了其对收敛停滞的强鲁棒性。

**工程应用验证。** 在悬臂梁设计、阶梯锥形皮带轮设计、行星齿轮系设计、混合-汇集-分离问题、三电平逆变器同步最优脉宽调制设计和光伏电池单二极管模型（Single-Diode Model，SDM）参数提取六个实际工程优化问题上，IMGO在所有六个案例中均取得最优平均解，且标准差低于多数对比算法。Friedman检验p值远低于0.05，IMGO平均排名最优（4.9447）；Wilcoxon符号秩检验表明IMGO显著优于SO、ED、PGA、TTAO、HGWO、EIWOA和原始MGO（p<0.05），与CFDA无显著统计差异（p=0.163），但IMGO的平均Friedman排名仍优于CFDA。箱线图结果显示IMGO在大多数应用场景中达到理论最优性能，并展现出对MGO及其他对比算法的显著性能优势。

**四、总结与结论**

本研究提出了IMGO算法，融合三向引导、精英引导维度差分进化、自适应搜索机制和自适应反向学习四项核心增强策略，有效解决了MGO算法早熟收敛和易陷入局部最优的关键局限。三向引导策略通过多矩阵协作扩展搜索空间，为全局勘探奠定坚实基础；精英引导维度差分进化增强了局部开发精度，与三向引导策略形成协同互补；自适应搜索机制动态平衡勘探-开发折中以提高收敛效率；自适应反向学习增强种群多样性，使算法能够跳出局部最优并完善整体优化框架。这些策略共同实现了勘探与开发之间的有效平衡，通过增加种群多样性减少早熟收敛，促进逃离局部最优，从而提升搜索精度。在CEC2017和CEC2022基准测试集上的广泛实验表明，IMGO在求解质量和收敛精度方面显著优于八种对比算法；Friedman检验和Wilcoxon符号秩检验进一步确认IMGO具有统计显著优越性；在六个实际工程设计问题上的验证证明了IMGO解决复杂设计优化问题的高效性。研究结论为：本文提出的策略可为其他算法的设计提供有益参考，并为更高效元启发式算法或其变体的开发奠定基础。然而，IMGO在迭代初期的收敛速度仍有提升空间，且其验证仅局限于单目标优化问题，在多目标优化场景中的适用性和有效性尚待检验。未来研究将开发更高效的MGO变体，并将其扩展应用于图像处理、路径规划、机器学习模型参数调优和多目标优化等多个领域；同时将四项增强策略移植至其他基线元启发式算法以进一步验证其通用性和可推广性，并与jSO等经典CEC竞赛算法开展补充对比实验以丰富基准测试池。