ETO-DFGR：一种基于DEIM框架的增强型交通目标检测方法，结合了聚焦引导的细化技术

The NG-ABC framework enhances swarm intelligence by integrating decentralized neural networks with dynamic clustering and adaptive quality gating to mitigate negative knowledge transfer in multi-modal optimization.摘要

　　

Gurmeet Saini|Anupma Mishra|Shimpi Singh Jadon

印度北方邦Kannauj的Rajkiya工程学院应用科学系

摘要

将机器学习集成到进化计算（EC）中已成为提升群体智能的强大策略。然而，现有的混合框架主要依赖于单一的学习模型，这使得它们容易受到负面知识转移的影响，这是一个关键缺陷：在复杂的多模态问题中，相互矛盾的特征会降低学习效率。为了填补这一研究空白，本文介绍了神经引导的人工蜂群（NG-ABC）这一新型框架，旨在促进稳健且去中心化的知识转移。虽然NG-ABC保留了标准的ABC算法作为全局探索和多样性维护的核心引擎，但它打破了单一学习者的范式，采用了一组专门的人工神经网络（ANN），每个网络负责掌握搜索空间的不同子区域。该框架基于两个协同原则：通过动态k-means聚类实现结构知识隔离，将种群划分为适应性的“专业知识库”，以防止区域间的有害干扰；以及自适应质量门控机制，利用基于中值的滑动窗口确保只记录统计上显著的改进，从而防止知识污染。该框架的有效性已在多种基准测试中得到验证，包括23个最先进的基准函数和IEEE CEC 2019套件，以及实际工程应用，如光伏（PV）模型参数提取、压力容器设计和拉力弹簧设计问题。与最先进方法的比较分析证实，NG-ABC显著提高了收敛速度和解决方案的准确性。此外，详细的敏感性分析、消融研究和运行时间分析也证明了所提出机制的稳健性。

引言

进化计算（EC）范式提供了一套强大的生物启发方法，这些方法在解决复杂的大规模优化问题方面表现出色，而传统方法往往难以胜任（Back, 1996; Li, Zhan, Zhang, 2022）。EC中的一个重要子领域是群体智能（SI），它借鉴了分散系统的集体行为，并催生了高效的搜索技术（Zhan, Shi, Tan, & Zhang, 2022b）。这些算法包括差分进化（DE）（Storn & Price, 1997）、粒子群优化（PSO）（Eberhart & Kennedy, 1995）和人工蜂群（ABC）（Karaboga & Basturk, 2007），它们以其稳健性和无需梯度信息即可导航高维多模态景观的能力而闻名。因此，这些算法已成功应用于从生物医学工程到物流和供应链优化的众多实际挑战中（Chawla, Duhan, 2014; Helmi, Carli, Dotoli, Ramadan, 2021）。

在这些方法中，ABC算法因其简洁性和强大的探索能力而尤为突出（Karaboga et al., 2005）。然而，像许多元启发式算法一样，其标准形式依赖于纯粹的随机操作符。这种设计选择忽略了搜索过程中产生的丰富历史信息，从而形成了“知识缺口”，这可能限制收敛速度和整体搜索效率，尤其是在复杂问题上。

为了弥补这一缺口，出现了一种重要趋势：通过添加机器学习来增强EC算法，使其更加以知识为导向。这种范式通常被称为学习辅助的进化优化（LEO），旨在系统地捕获、建模和重用搜索历史中的知识，以指导未来的探索（Zhan, Li, Kwong, & Zhang, 2022a）。这一原则是许多先进算法的基石，包括著名的DE变体JADE（Zhang & Sanderson, 2009）和jSO（Brest, Mau?ec, & Bo?kovi?, 2017），以及改进的PSO模型，如SaDPSO（Liang, Guo, Liu, & Qu, 2015）和HPSO-TVAC（Ratnaweera, Halgamuge, & Watson, 2004）。这些成功案例突显了学习与进化之间共生关系的巨大潜力。

尽管取得了这些进展，但许多学习辅助框架仍然建立在中心化的、单一的学习架构之上——通常是一个全局模型负责指导整个种群（Stanley, Clune, Lehman, & Miikkulainen, 2019）。虽然在某些场景中有效，但这种“一刀切”的方法引入了一个关键且常常被忽视的脆弱性：高度易受“负面知识转移”的影响（Guo, Chen, Jiang, Gong, Liang, 2022; Tan, Feng, Jiang, 2021; Xue, Yang, Feng, Zhang, Song, Tan, 2023）。当在一个上下文中学到的知识被不恰当地应用于另一个上下文时，就会发生这种有害现象。它在学习辅助系统中表现为两种破坏性形式：首先是区域间的负面转移，即一个搜索景观区域的知识误导了另一个结构不同的区域的搜索；其次是“知识污染”，即模型被统计上不显著或偶然的改进所污染，从而降低了其预测准确性（Zhan et al., 2022a）。

图1提供了对代表性多模态景观上搜索动态的全面视觉分析。子图（a）、（b）和（c）分别展示了随机搜索、标准ABC和NG-ABC在最终迭代时的种群分布。

如图1（a）所示，随机搜索策略导致种群分散，没有凝聚力的收敛，这证实了其在复杂地形中的低效性。图1（b）揭示了标准ABC的局限性；尽管种群会收敛，但它倾向于过早地陷入次优的局部盆地，这从未能达到全局最优解的广泛分散的个体群中可以看出。

相比之下，图1（c）展示了NG-ABC框架的有效性。种群被结构化地组织成不同的簇（用不同颜色表示），从而能够同时探索多个有前景的区域。这种结构隔离防止了整个群体在单一局部最优解中停滞。最终，神经引导机制成功地将这些子种群引向全局吸引盆地，在中心实现了精确的收敛。图1（d）定量验证了这种优越行为，其中NG-ABC的收敛曲线（实线红色）显示出比标准ABC轨迹更快的下降速度和更深的平均误差减少。

为了克服这些根本性挑战，本文提出了NG-ABC框架。NG-ABC通过重新思考学习架构来促进稳健和有效的知识转移。它不是使用单一的全局学习者，而是采用了一个去中心化的专家ANN集合，每个专家负责掌握搜索空间的不同子区域。这种架构基于双重防御策略来对抗负面知识转移。第一道防线是结构隔离，通过动态k-means聚类实现，将种群划分为适应性的“专业知识库”。第二道防线是一种警惕的质量控制机制——自适应质量门控过程，作为知识守护者，确保只有高影响力的进化改进被用于学习。这将ABC从一个无记忆的探索者转变为一个能够从自身高质量经验中稳健学习的优化器。

本研究的主要贡献如下：

•

我们提出了一种新型的去中心化学习框架NG-ABC，它将一组专家ANN无缝集成到ABC算法中，以增强其优化能力。

•

我们引入了一种双重机制方法，专门用于防止负面知识转移，结合了结构知识隔离（通过聚类）和自适应质量过滤（通过门控）。

•

我们设计了一种新型的自适应质量门控机制，使用基于中值的滑动窗口阈值，使其对统计异常值具有鲁棒性，并且能够高度适应局部搜索动态。

所提出的NG-ABC框架的有效性已在一系列广泛的基准测试中得到严格验证，包括23个标准函数、IEEE CEC 2019套件和一个实际的光伏参数提取问题。通过与七种最先进算法和4种混合ABC变体的Wilcoxon检验、Friedman检验和ANOVA检验，确认了其统计优势。除了数值准确性外，该框架的稳健性和效率还通过详细的敏感性分析、消融研究以及严格的计算复杂性和运行效率评估得到证实。此外，通过种群多样性和搜索轨迹分析，进一步证明了算法的增强探索-利用平衡。

本文的组织结构如下：第2节回顾相关工作，第3节详细介绍了所提出的架构，第4节介绍了实验设置，第5节分析了实际应用的结果，第6节讨论了更广泛的影响和未来研究方向，第7节给出了结论性意见。

相关工作

相关工作

进化计算（EC）的一个重要前沿是超越传统的随机操作符，转向更智能、数据驱动的搜索策略。这对于ABC算法尤为重要，因为其性能常常受到其固有随机性的限制。提高ABC性能的研究可以大致分为两个主要范式：修改搜索启发式本身和集成外部学习模型。本节回顾了这些主导方法，以便将我们提出的方法置于适当的位置

所提出的神经引导的ABC（NG-ABC）框架

为了解决标准ABC算法在导航复杂多模态景观时的固有局限性，特别是停滞风险和负面知识转移现象（这在单一学习混合体中经常出现），本节介绍了神经引导的ABC（NG-ABC）框架。NG-ABC通过从单一全局学习者转变为去中心化架构，采用了一组专家ANN，从根本上重新定义了学习辅助的进化范式。

实验结果与分析

本节对所提出的NG-ABC框架进行了全面的实证验证。我们首先详细介绍了实验设置和使用的具体基准函数。随后，与一系列最先进的进化算法进行了严格的比较评估。最后，提供了详细的统计分析，以证实所提出方法的稳健性和卓越的优化能力。

实际应用

本节评估了所提出的NG-ABC算法在解决复杂实际优化任务方面的有效性。具体来说，该研究解决了光伏（PV）模型参数估计（Batzelis, Papathanassiou, 2015; Ismaeel, Houssein, Oliva, Said, 2021）问题，以及两个受限的工程基准问题：压力容器设计问题（Kumar et al., 2020）和拉力弹簧设计问题（Kumar et al., 2020）。

讨论、局限性和未来研究方向

所提出的NG-ABC框架代表了学习辅助进化计算的重大进步，它引入了一种去中心化架构，从根本上增强了群体智能。通过用一组专家神经网络替代传统的单一学习范式，NG-ABC有效缓解了负面知识转移这一关键问题。核心的架构创新是结构隔离（通过动态聚类）和知识纯度

结论

本文提出了神经引导的人工蜂群（NG-ABC），这是一种新型的去中心化学习框架，从根本上重新定义了群体智能如何利用机器学习。通过从单一学习范式转变为专家ANN的集合，NG-ABC有效解决了负面知识转移的挑战。结构隔离（通过动态聚类）和知识纯度（通过自适应质量门控）的协同集成确保了

伦理批准

本文不包含任何作者进行的人类参与者或动物研究。

CRediT作者贡献声明

Gurmeet Saini：概念化、方法论、数据整理、形式分析、调查、验证、撰写——原始草稿、可视化。Anupma Mishra：数据整理、形式分析、撰写——审阅与编辑。Shimpi Singh Jadon：概念化、资源准备、撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。