摘要
为了克服原始Farthest Better or Nearest Worse（FNO）算法的局限性，包括种群多样性不足以及收敛速度慢且过早收敛的问题，本文开发了一种改进版的EFNO算法。通过结合三种互补策略，实现了探索与利用之间的更有效平衡：一种自适应加权欧几里得距离机制用于优化解决方案选择；一种基于精英个体的强化学习策略，用于分阶段引导种群的演化方向；以及一种基于最差邻居个体的反向强化机制，用于增强种群的多样性。在CEC2017和CEC2022基准测试中，EFNO算法在不同维度设置下的表现得到了验证。通过与包括一项获奖算法在内的十一种最新算法进行对比实验，评估了其收敛行为和优化精度。结果表明，EFNO在性能上始终优于其他算法，并获得了最佳的整体排名。为了进一步证明其适用性，EFNO还被应用于两个实际工程优化问题和一个机器人路径规划任务中。在路径规划实验中，构建了六个不同尺寸（20 × 20、30 × 30和50 × 50）和不同障碍密度（20%和40%）的随机网格环境。实验结果显示，EFNO在解决方案质量和鲁棒性方面均优于所有竞争对手算法，充分证明了其有效性和强大的泛化能力。
