《Symmetry》：A Novel Multi-Strategy Enhancement of Secretary Bird Optimization Algorithm for Engineering Optimization Problems
编辑推荐：
为解决秘书鸟优化算法（SBOA）中全局探索与局部开发之间失衡的问题，本文提出一种多策略改进版本，称为MSISBOA。该方法在初始化阶段引入最优拉丁超立方采样（Optimal Latin Hypercube Sampling, OLHS），以实现初始解更均匀的分
为解决秘书鸟优化算法（SBOA）中全局探索与局部开发之间失衡的问题，本文提出一种多策略改进版本，称为MSISBOA。该方法在初始化阶段引入最优拉丁超立方采样（Optimal Latin Hypercube Sampling, OLHS），以实现初始解更均匀的分布。在捕食阶段，集成自适应柯西变异因子与边界策略，以提升局部搜索精度。为降低算法在后期迭代中停滞于局部最优的风险，采用三角行走策略进行变异扰动。此外，在逃逸阶段采用Tent混沌-高斯组合变异因子与精英保留策略，在维持高质量解的同时提高种群多样性。MSISBOA的性能通过IEEE进化计算大会（CEC）发布的基准测试集进行评估，包括CEC-2017和CEC-2022，并与另外九种群体智能算法进行比较；统计结果表明，MSISBOA获得了最高的平均排名。除此之外，该算法还被应用于18个工程优化问题，以评估其求解实际约束任务的能力。实验结果表明，MSISBOA在所测试场景中表现出具有竞争力的收敛特性与解质量。
该论文发表于《Symmetry》，研究聚焦于群体智能优化算法（swarm intelligence optimization algorithm）的改进设计，核心目标是缓解秘书鸟优化算法（Secretary Bird Optimization Algorithm, SBOA）在复杂优化任务中全局探索与局部开发失衡的问题。随着大数据与人工智能技术快速发展，工程设计、医疗处理、物流调度和能源管理等领域中的复杂系统优化问题日益突出。这类问题通常具有高维、多峰、强非线性和动态时变等特征，传统依赖可微性、凸性或精确目标建模的数学规划方法难以有效处理。元启发式群体智能算法因无需梯度信息、具有较强全局搜索能力且对问题结构依赖较少，已成为解决复杂优化问题的重要工具。然而，经典算法如粒子群优化（PSO，模拟群体协同搜索）、蚁群优化（ACO，基于路径信息素更新）和人工蜂群算法（ABC，模拟蜂群觅食）仍普遍存在早熟收敛、参数敏感和计算效率不足等局限。论文指出，相关算法成败的根本在于能否维持全局探索与局部开发之间的对称平衡（symmetrical balance），一旦搜索行为失衡，便容易导致局部最优陷入或搜索轨迹低效，因此这一平衡问题成为算法设计的关键。
在这一背景下，研究人员针对2024年提出的SBOA开展改进研究。原始SBOA受秘书鸟捕食与避敌行为启发，具备较快收敛速度和一定优化能力，但仍存在初始种群多样性不足、后期易陷入局部最优以及整体全局搜索性能不够理想等问题。为此，研究提出多策略改进秘书鸟优化算法（MSISBOA），通过在初始化、捕食和逃逸等不同阶段嵌入多种增强机制，提升搜索精度、稳定性与适应复杂约束问题的能力。论文最终得出结论：MSISBOA在CEC-2017、CEC-2022基准测试以及18个实际工程优化问题中，相较原始SBOA及其他多种代表性算法展现出更优的平均排名、更强的收敛性能和更高的稳定性，说明该方法在复杂优化场景中具有较强实用价值和推广意义。
研究所用的主要技术方法可概括为以下几类。首先，在初始化阶段引入最优拉丁超立方采样（OLHS），通过增强样本点在搜索空间中的均匀覆盖来改善初始种群质量。其次，在捕食阶段引入自适应柯西变异与边界策略，以增强早期局部搜索和跳出局部区域能力；在后期攻击阶段叠加三角行走策略，提高精细搜索能力。再次，在逃逸阶段结合Tent混沌映射与高斯扰动，并配合精英保留策略，以维持优质个体并增强解空间扩展能力。最后，研究在CEC-2017、CEC-2022基准函数集及CEC 2020实际优化基准中的18个工程设计问题上开展30次独立重复实验，并辅以Wilcoxon秩和检验进行统计评估；工程问题数据来源于Kumar等人在2020年整理的实际优化挑战集合。
以下结合论文主体结构，对研究结果进行归纳解读。
2. The Secretary Bird Optimization Algorithm
论文首先系统介绍了原始SBOA的行为映射机制，即将秘书鸟的捕食和避敌行为转化为优化过程中的位置更新规则。研究人员将算法划分为“猎物搜索—围捕消耗—发起攻击—逃避捕食者”四个阶段。搜索猎物阶段侧重早期全局探索，通过随机候选解更新位置；消耗猎物阶段围绕当前最优解引入布朗运动（Brownian motion，随机扰动机制）增强局部探索；攻击猎物阶段采用Levy飞行（Levy flight，带长跳特征的随机步长）加强局部开发同时保留跳出局部最优的可能；逃避捕食者阶段则通过两类逃逸策略与动态扰动因子调节种群状态。该部分说明了SBOA的机制基础，也为后续改进提供了参照框架。
3. Improved Secretary Bird Optimization Algorithm
本节是全文核心，集中描述MSISBOA的五项改进策略及复杂度分析。研究人员指出，SBOA的主要缺陷在于探索—开发失衡具有“非对称搜索行为”特征，因此改进目标是恢复优化过程中的对称均衡。
3.1. Optimal Latin Hypercube Sampling Initialization Strategy
研究人员在初始化阶段引入OLHS。传统拉丁超立方采样（LHS）通过对每个变量区间分层抽样来增强样本代表性，而OLHS进一步通过迭代优化，使样本点之间的最小距离最大化、维度间相关性最小化，从而获得更理想的空间分布。该策略改善了初始个体均匀性，为算法在早期更快定位潜在优解区域奠定基础。论文据此认为，该方法能够降低采样偏差并提升整体优化效率。
3.2. Adaptive Cauchy Strategy
为修正算法早期搜索偏差，研究人员在位置更新中加入自适应柯西变异（Cauchy mutation）。柯西分布具有重尾特性，可产生较大步长扰动，因此有利于跳出局部区域。与此同时，算法设置随迭代动态衰减的自适应概率P，以调控变异作用强度。该设计使算法在前期兼具较强探索性和适度开发能力，从而改善原始SBOA在初期搜索中多样性不足的问题。
3.3. Triangle Walking Strategy
在第三捕食阶段，研究引入三角行走策略（Triangle Walking）。该方法建立在Levy飞行基础上，通过构造当前位置、最优捕食位置及潜在移动距离之间的三角关系，引导个体围绕优质区域进行更灵活的局部搜索。研究人员认为，这种机制有助于在后期迭代中提升攻击时机判断和轨迹选择效率，从而增强局部开发能力并减少陷入局部最优的风险。
3.4. Tent Chaos-Gaussian Mutation Strategy
在逃逸阶段，研究引入Tent混沌映射（Tent chaotic mapping）与高斯扰动因子。混沌序列对初值敏感、长期行为不可预测，适合用于增加搜索路径多样性。通过将混沌变量映射到目标问题解空间，并与原解进行均值融合，算法获得一种渐进式扰动方式，既避免解更新过于突兀，又提高全局探索效率。该机制的主要作用是增强后期跳出局部最优的能力并提升优化精度。
3.5. Elitism Strategy
研究进一步采用精英保留策略（Elitism strategy）。这一策略从父代中保留适应度最高的个体直接进入下一代，防止优质解在后续变异或更新中丢失。论文指出，这一机制能够提高收敛速度和解的稳定性，并使算法在保持全局探索能力的同时维持当前最优信息。
3.6. MSISBOA Complexity Analysis
复杂度分析表明，虽然OLHS初始化带来额外开销，但其仅在算法开始时执行一次；在主循环中，自适应柯西变异、三角行走、Tent混沌-高斯变异及精英保留都只涉及每代的基础数学运算，因此不会引入更高阶嵌套循环。研究结论是，MSISBOA主优化过程的渐近时间复杂度与原始SBOA保持同一数量级，说明改进主要体现在性能提升而非计算代价急剧增加。
4. Experimental Results and Discussion
该部分通过基准函数和统计检验验证MSISBOA的性能。
4.1. Results and Analysis of CEC-2017 Test Functions
在CEC-2017的30、50和100维测试中，研究人员将MSISBOA与SBOA、PSO、WOA、HHO、SCSO、DBO、SFO、L-SHADE和MadDE进行比较。结果表明，在30维条件下，MSISBOA已在绝大多数函数上取得最优表现，尤其在F9和F15上相较原始SBOA实现数量级改进，说明其在低维环境中具有很强探索能力。在50维测试中，随着问题复杂度升高，MSISBOA仍在大多数简单多峰、混合与组合函数上保持高精度与高稳定性，仅在少数函数上列第二。100维分析进一步显示，该算法在高复杂度条件下仍具可扩展性，Wilcoxon秩和检验中相对L-SHADE和MadDE分别取得24/5/0和21/8/0的胜负平记录，显示其整体竞争力较强。
4.1.2. CEC-2017 Test Function Convergence Curve Results
收敛曲线分析显示，MSISBOA在多个测试函数上表现出更快或极具竞争力的收敛速度，尤其在30维的F4、F7、F9、F18和F22上，能够在早期迭代迅速接近最优解。在50维和100维的一系列函数中，其收敛轨迹曲率更大，表明优化推进更快。研究据此认为，该算法在不同维度空间中较好维持了全局探索与局部开发的对称平衡。
4.2. Results and Analysis of CEC-2022 Test Functions
在CEC-2022的10维和20维边界约束单目标函数测试中，MSISBOA同样表现突出。10维结果显示，其平均性能与若干顶级算法在部分函数上相当，但标准差更低，说明精度和稳定性更佳；面对强竞争自适应算法时仍保持8/4/0的有利比较结果。20维结果进一步表明，除混合函数F6外，MSISBOA在绝大多数函数上获得第一或并列第一，并总体具有最低标准差，说明多策略框架在更复杂问题上仍具有稳定有效性。
4.2.2. CEC-2022 Test Function Convergence Curve Results
收敛曲线结果显示，MSISBOA在CEC-2022测试中整体具有更快的早期收敛速度，并在F1、F3、F5和F10等函数上明显优于其他比较算法。论文据此指出，该算法在优化全过程中维持了较高收敛精度和较快收敛速率。
4.3. Ablation Experiment
消融实验使用CEC-2017测试集比较完整MSISBOA与去除不同模块的多个变体。结果表明：去除OLHS后，初始种群质量下降，在高维F1和F12上平均适应度劣化，说明均匀初始化对早期搜索十分关键；去除自适应柯西变异或去除精英保留与Tent混沌-高斯模块后，在F5、F9和F20等多峰函数上更易早熟收敛，说明这些模块对维持多样性和跳出局部最优具有重要作用；去除三角行走后，在F3和F4上的精细搜索性能下降，表明该策略显著提高了解的微调能力。总体而言，完整模型在大多数函数上取得最优平均值和标准差，证明各模块均对性能提升具有实质贡献。
4.4. Wilcoxon Rank Sum Test
研究使用显著性水平为α的Wilcoxon秩和检验，对MSISBOA与其他算法的30次独立运行结果进行统计比较。结果显示，MSISBOA与原始SBOA及多数对比算法之间存在明显差异，进一步支持其性能优势并提升实验结论的统计可信度。
5. Engineering Practical Application Design Problems
在工程应用部分，研究首先选取Haverly pooling problem这一经典非线性规划（NLP）问题作为案例。该问题来源于石油化工与供应链管理场景，目标是在满足硫含量上限和市场需求约束下，实现炼厂系统利润最大化或总成本最小化。其网络结构包含三个原料源、一个中间混合池和两个最终产品，因质量约束中存在双线性项，导致可行域高度非凸，因此非常适合用于检验算法的全局搜索与避免局部最优能力。结果表明，尽管原始SBOA和PSO等算法偶尔可找到接近最优的解，但稳定性较差；MSISBOA则取得最低平均成本、最稳健的最差结果和数量级更低的标准差，说明其在复杂工程约束下更可靠。
随后，研究将MSISBOA应用于CEC 2020实际优化基准中的18个工程设计挑战。实验设置为种群规模30、最大迭代次数1000，每个问题独立运行30次。结果显示，MSISBOA在大多数问题上优于其他算法，仅在RW04中不及PSO、在RW16中不及SCSO；同时，其在多数问题上取得最低标准差，反映出较高的运行稳定性。排名雷达图和箱线图进一步证明，该算法在18个工程问题中的表现总体最优或接近最优，尤其适用于工业化工过程、过程设计与综合以及机械设计等复杂工程场景。
讨论部分的核心结论在于，MSISBOA通过对初始化、探索、开发和解保留机制的协同增强，显著改善了原始SBOA的搜索平衡性。论文反复强调，这种多策略协同并非单一模块的简单叠加，而是在不同迭代阶段分别针对种群分布、局部跳出能力、后期精细开发和优质解保持进行补强，因此在高维、多峰、边界约束和非凸问题中表现出更高的鲁棒性与收敛效率。基准函数测试、消融实验、显著性检验以及实际工程设计问题的结果彼此一致，共同支持MSISBOA在复杂优化问题中的有效性。
研究结论部分可翻译为：本文提出了一种增强型秘书鸟优化算法，用于解决复杂函数优化和工程设计挑战。该算法采用最优拉丁超立方采样策略，以保证搜索空间的均匀覆盖，从而减少偏差并提升初始解质量与优化效率。为增强局部搜索能力，算法集成了自适应柯西变异因子与边界策略。此外，还引入三角策略进行变异扰动，帮助算法在后期迭代中跳出局部最优、避免陷入停滞，从而提高整体性能与优化效果。Tent混沌-高斯变异因子与精英保留策略的结合，有助于在保留高质量解的同时拓展其他候选解的搜索范围。该算法在CEC-2017与CEC-2022基准测试中表现出显著的优化能力和稳健稳定性。在实际应用中，MSISBOA被用于求解18个复杂工程设计问题，实验结果表明，与其他先进算法相比，其具有更优越的工程应用能力。
