多策略融合的跳跃蜘蛛优化算法及其在工程优化中的应用

《Respiratory Medicine》：A comparison of pulmonologist-led biopsy techniques for histological subtyping and molecular profiling in non-small-cell lung cancer

本文推荐一种多策略融合的跳跃蜘蛛优化算法（MSIJSOA），针对传统JSOA易陷入局部最优、收敛精度不足的问题，研究团队引入螺旋逼近策略、差分信息素融合机制和自然选择策略，显著提升了算法的全局探索与局部开发能力。在CEC2017、CEC2020测试集及8个工程优化问题上的实验表明，MSIJSOA在收敛速度、精度和稳定性上均优于JSOA、SABO等先进算法，为复杂优化问题提供了新解决方案。

　　

在复杂工程优化和科学计算领域，如何高效、精准地找到全局最优解一直是个核心挑战。传统的优化算法往往在应对高维、多峰、非线性问题时显得力不从心，容易过早陷入局部最优，或收敛速度缓慢。尽管元启发式算法模拟自然现象，为这类问题提供了有希望的解决路径，但其性能仍受到探索（全局搜索）和利用（局部搜索）之间平衡的制约。跳跃蜘蛛优化算法（JSOA）是近年来受跳跃蜘蛛捕食行为启发而提出的一种新型优化器，它通过模拟蜘蛛的捕猎技巧来寻找最优解，但原始JSOA在处理复杂函数时，其种群多样性保持和局部最优逃逸能力仍有提升空间。

为了突破这些局限，研究人员在《Respiratory Medicine》上发表论文，提出了一种多策略改进的跳跃蜘蛛优化算法（MSIJSOA）。该研究旨在通过引入一系列创新策略，增强算法的全局探索能力和局部开发效率，从而更有效地解决各类优化难题。研究团队深入分析了JSOA的不足，并受自然界中蜘蛛利用信息素通讯、螺旋逼近猎物等行为的启发，设计了三种核心改进策略：螺旋逼近策略（SAS）模拟蜘蛛靠近猎物时的螺旋路径，增强局部搜索的精细度；差分信息素融合策略（DPFS）通过模拟信息素引导机制，改善种群间的信息交流与扰动，帮助跳出局部最优；自然选择策略则引入适者生存机制，提升算法的收敛稳定性。

为了验证MSIJSOA的有效性，研究人员开展了广泛的实验。他们选取了国际公认的CEC2017和CEC2020基准测试函数集，这些测试集包含了单峰、多峰、混合和复合函数，能够全面评估算法的性能。同时，还将MSIJSOA应用于八个经典的工程优化问题，如汽车防撞设计、焊接梁设计、压力容器设计等，以检验其解决实际问题的能力。实验将MSIJSOA与原始JSOA以及其他七种先进的元启发式算法（如SABO、GOOSE、CDO、CJSOA、QRHHO、AGWO、CSHO）进行了对比。评价指标包括求解精度（平均适应度值）、稳定性（标准差）、收敛速度以及统计显著性（如Wilcoxon符号秩检验）。

关键技术方法方面，本研究主要依赖于计算机仿真实验。算法性能评估在配备Intel? Core? i5-8265U CPU的计算机上使用MATLAB R2022b完成。实验设置了统一的参数（如种群大小N=30，最大迭代次数T=500），并在每个测试问题上独立运行30次以消除随机性影响。核心改进策略通过修改JSOA的位置更新公式实现，例如螺旋逼近策略采用了基于对数螺旋的数学公式，而差分信息素策略则引入了类似差分进化（DE）的变异操作。

研究结果显著，主要体现在以下几个方面：

1. 1.
   在基准测试函数上的卓越性能：在CEC2017的30个函数和CEC2020的10个函数测试中，MSIJSOA在绝大多数函数上取得了最佳的平均值和最小的标准差。例如，在CEC2017的F1（单峰函数）和F4（多峰函数）上，MSIJSOA的收敛精度显著高于对比算法。Wilcoxon符号秩检验结果表明，MSIJSOA与所有对比算法在大多数函数上存在显著差异（p值远小于0.05），证明了其性能优势并非偶然。收敛曲线和箱线图直观地显示，MSIJSOA具有更快的初始收敛速度和更高的最终求解精度。
2. 2.
   有效平衡探索与开发：通过种群多样性分析（采用转动惯量法衡量）发现，MSIJSOA在整个迭代过程中保持了比原始JSOA更高的种群多样性。这表明其引入的新策略有效促进了搜索个体在解空间的分散分布，增强了全局探索能力，同时在迭代后期又能有效收缩搜索范围进行精细开发，从而实现了探索与开发的良好平衡。
3. 3.
   策略有效性与参数鲁棒性验证：通过控制变量实验，分别测试了仅加入螺旋逼近策略（SAS）、仅加入差分信息素策略（DPFS）以及两者结合的MSIJSOA。结果表明，每个单独策略都能提升JSOA的性能，而它们的结合产生了“1+1>2”的协同效应。参数敏感性分析显示，MSIJSOA对关键参数（如差分变异因子f1, f2）和种群大小的变化不敏感，在不同设置下均能保持稳健的性能，体现了良好的鲁棒性。
4. 4.
   成功解决实际工程问题：在八个工程设计问题上的应用进一步证实了MSIJSOA的实用价值。以汽车防撞设计（Car Crashworthiness Design）问题为例，该问题需要在满足10个复杂约束条件下最小化车身制造成本。MSIJSOA找到了成本为22.8512的设计方案，其对应的变量组合均满足所有约束条件，且其求解质量和稳定性（均值和标准差）均优于所有参与对比的算法，展现了其在处理复杂约束优化问题上的强大能力。

综上所述，本研究提出的多策略融合跳跃蜘蛛优化算法（MSIJSOA）通过巧妙地模拟和融合跳跃蜘蛛的多种捕食行为策略，显著提升了元启发式算法在复杂优化问题上的性能。它不仅在高维、多峰的基准测试函数上表现出色，更能有效应用于实际的工程优化设计，为解决科学计算和工程设计中的复杂优化问题提供了一种高效、可靠的新工具。该算法的成功也启示我们，更深层次地挖掘和模拟自然界中生物的智能行为，是推动优化算法发展的重要途径。