![]()
学习和模仿自然界复杂系统中的成功特征是人工智能中最流行的技术之一。基于自然界的启发，大多数元启发式算法（MAs）可以分为群体智能（SI）算法和基于进化的算法（EA）。然而，每个算法都有其不可避免的缺点，如搜索能力差、过早收敛等。混合元启发式算法通过结合每个算法的优点和最小化其缺点，在提高算法的可搜索性方面发挥了突出的作用。
![]()
伊朗伊斯兰阿扎德大学的Mohammad H. Nadimi‑Shahraki在Journal of Bionic Engineerin上发表题为《An Effective Hybridization of Quantum‑based Avian Navigation and Bonobo Optimizers to Solve Numerical and Mechanical Engineering Problems》的学术论文。该论文提出了一种混合元启发式算法来解决复杂的优化问题，基于量子的混合鸟类导航优化算法（HQANA）算法通过结合Bonobo 优化算法（BO）的交配策略到基于量子的鸟类导航优化算法（QANA）中。HQANA算法充分利用了BO算法的优点，提高了QANA算法的全局搜索能力，缓解了QANA算法的过早收敛问题。基于量子的鸟类导航优化算法（QANA）受候鸟导航机制的启发，是Zamani等人提出的用于解决全局优化问题的一种鲁棒且可扩展的进化算法（EA）。虽然QANA是一个有效和可扩展的算法，但是它在解决一些复杂的问题时，解的质量低和过早收敛。相反，倭黑猩猩优化算法（BO）是一种群体智能（SI）算法，它模仿了自然界中倭黑猩猩的社会互动和繁殖策略来解决优化问题。![]()
QANA算法在解决单峰和混合优化问题方面具有优异的性能，具有强大的开发能力和算法框架。然而，QANA算法在解决更复杂的问题时存在过早收敛的问题。另一方面，尽管BO算法具有几个有效的搜索策略，但其结果强调，它不能保持其搜索策略之间的平衡，以混合或组合搜索空间来解决复杂的问题，因为它的简单和低效的算法结构。因此，本文提出了HQANA算法。该算法充分利用了BO算法的优点，提高了QANA算法的全局搜索能力，缓解了QANA算法的早熟收敛。HQANA算法结合了这两种算法，在面对复杂的问题时，它们的结合提供了有益的协同作用。所提出的HQANA算法的伪代码表示在算法3和4中。![]()
图2 HQANA算法的伪代码
图3和图4分别给出了HQANA及比较算法的收敛曲线、HQANA和比较算法的总体有效性和Friedman排名。![]()
图3 HQANA及比较算法的收敛曲线
![]()
图4 HQANA和比较算法的总体有效性和Friedman排名
结论：该论文在CEC 2018基准测试套件的不同维度（30，50和100）的29个测试函数上评估了所提出的基于量子的混合鸟类导航优化算法（HQANA）的有效性。所得到的结果与8个著名的元启发式算法（PSO，KH，GWO，WOA，CSA，HOA，BO和QANA）进行比较。实验结果表明，HQANA提高了62%的基准函数解的质量。此外，采用最新测试套件CEC 2020的五个机械工程问题评估了HQANA解决现实世界优化问题的适用性。总体而言，所得到的结果证明了HQANA算法解决优化问题的鲁棒性和适用性。
![]()
图5 工程设计问题中HQANA与其它算法的比较结果
全文链接：https://rdcu.be/daUS3![]()
![]()
