一种适用于复杂优化问题的多策略强化最优/次优算法 唐晓杰（Xiaojie Tang）、贾成芬（Chengfen Jia）、曲鹏举（Pengju Qu）和张攀（Pan Zhang）

《Mathematics》：A Multi-Strategy Enhanced Farthest Better or Nearest Worse Optimizer for Complex Optimization Problems Xiaojie Tang, Chengfen Jia, Pengju Qu and Pan Zhang

　　

摘要

为了克服原始Farthest Better或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，研究人员开发了一种改进的算法EFNO。该算法采用了三种互补策略来实现探索与利用之间的更有效平衡：一是自适应加权欧几里得距离机制，用于改进解决方案的选择；二是精英引导的档案强化策略，用于分阶段指导种群的进化；三是基于最近最差个体的反向强化机制，以增强种群的多样性。在CEC2017和CEC2022基准测试集上，EFNO在不同维度设置下的表现得到了验证。通过与十一种最新算法（包括一种获得过基准测试冠军的算法）进行比较实验，评估了其收敛行为和优化精度。实验结果表明，EFNO始终表现出更优的性能，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。在路径规划实验中，构建了六个具有不同尺寸（20 × 20、30 × 30和50 × 50）和障碍物密度（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算法，这证实了其有效性和强大的泛化能力。