基于多策略融合的改进跳跃蜘蛛优化算法及其工程应用研究

《Results in Engineering》：Seasonal Variation of Thermal and Electrical Characteristics of 684 kW DC Solar Photovoltaic System in Thailand: Statistical and Performance Evaluation

　　本文推荐一项关于改进跳跃蜘蛛优化算法（JSOA）的研究。针对JSOA在求解复杂优化问题时存在的收敛精度不足、易陷入局部最优等挑战，研究人员提出了一种多策略改进的跳跃蜘蛛优化算法（MSIJSOA）。该算法通过引入螺旋逼近策略、差分信息素融合策略和自然选择策略，有效平衡了全局探索与局部开发能力。在CEC2017和CEC2020标准测试集上的实验结果表明，MSIJSOA在收敛精度、速度和稳定性方面均显著优于JSOA及其他对比算法，为解决复杂工程优化问题提供了高效新工具。

　　

在当今复杂工程系统的设计与优化领域，高效、鲁棒的优化算法扮演着至关重要的角色。元启发式算法（Metaheuristic Algorithms）因其不依赖于问题梯度信息、适用性广等特点，成为解决复杂优化问题的有力工具。然而，面对高维、多峰、非线性等复杂优化场景，许多现有算法仍存在收敛速度慢、精度不高、易早熟收敛陷入局部最优（Local Optimum）等挑战。跳跃蜘蛛优化算法（Jumping Spider Optimization Algorithm, JSOA）是近年来受自然界跳跃蜘蛛捕食行为启发而提出的一种新型元启发式算法。它模拟了蜘蛛通过震动感知猎物、跳跃捕食等行为，展现出良好的优化潜力。但原始的JSOA在探索（Exploration）与利用（Exploitation）的平衡机制上仍有改进空间，在处理某些复杂函数时性能不够稳定。

为了提升JSOA的性能，使其更能适应复杂的工程优化需求，研究人员开展了一项深入研究，提出了一种多策略改进的跳跃蜘蛛优化算法（Multi-Strategy Improved Jumping Spider Optimization Algorithm, MSIJSOA）。这项研究旨在通过引入多种创新策略，增强算法的全局搜索能力、跳出局部最优的能力以及收敛精度。相关研究成果发表在《Results in Engineering》期刊上。

为开展研究，作者主要采用了算法设计与数值实验验证相结合的技术路线。关键方法包括：1）算法改进策略设计：提出了螺旋逼近策略（模拟蜘蛛靠近猎物）、差分信息素融合策略（引入差分进化思想增强多样性）和自然选择策略（模拟种群竞争与更新）。2）性能评估基准：使用国际公认的CEC2017和CEC2020基准测试函数集，涵盖单峰、多峰、混合和组合函数等多种类型，全面评估算法性能。3）对比实验：将MSIJSOA与原始JSOA以及其他7种先进的或最新的元启发式算法（如SABO、GOOSE、CDO、CJSOA、QRHHO、AGWO、CSHO）进行横向比较。4）统计检验：采用平均值、标准差、Wilcoxon秩和检验、收敛曲线图、箱线图等多种指标进行严谨的统计分析。5）参数敏感性分析：探究了种群大小、迭代次数等关键参数对算法性能的影响。

研究结果

1. CEC2017测试集结果分析

在包含29个测试函数的CEC2017集上，MSIJSOA展现了卓越的性能。在单峰函数（如F1, F3）上，MSIJSOA凭借其增强的局部开发能力，能够快速、精确地收敛到最优解附近，平均值和标准差均显著优于对比算法。在处理多峰函数（F4-F10）时，算法引入的差分信息素策略有效帮助种群跳出局部最优，避免了早熟收敛，在多数函数上取得了最优结果。对于更具挑战性的混合函数（F11-F20）和组合函数（F21-F30），MSIJSOA通过动态平衡探索与开发阶段，在绝大多数测试函数上排名第一，显示了其强大的处理复杂、崎岖搜索空间的能力。Wilcoxon检验结果进一步证实了MSIJSOA与对比算法相比具有统计学上的显著优势。

2. CEC2020测试集结果分析

在CEC2020测试集上，MSIJSOA的优势得到进一步巩固。特别是在基本函数（F2-F4）、混合函数（F5-F7）和组合函数（F8-F10）上，MSIJSOA的收敛曲线显示其在前中期即能快速下降并稳定在高质量解区域，而许多对比算法后期仍存在较大波动或陷入局部最优。箱线图分析表明MSIJSOA求得的结果分布更集中，方差更小，证明了算法具有更好的稳定性和鲁棒性。

3. 新策略有效性验证

通过控制变量法分别测试螺旋逼近策略（SAS）和差分信息素融合策略（DPFS）的单独作用，研究发现SAS显著提升了算法前期的收敛速度，而DPFS则有效增强了算法后期逃离局部最优的能力。将两者结合后，MSIJSOA实现了协同增效，在收敛精度和速度上均优于只使用单一策略的变体，验证了多策略融合的有效性和必要性。

4. 参数敏感性分析

研究还探讨了差分变异因子（f1, f2）、种群大小（N）和最大迭代次数（T）对MSIJSOA性能的影响。结果表明，当f1=0.9, f2=0.1时算法性能最佳。在不同种群大小（N=30, 50）和迭代次数（T=500, 1000）设置下，MSIJSOA均能保持领先的排名，说明算法对参数变化不敏感，具有良好的鲁棒性。

5. 种群多样性分析

通过惯性矩（Moment of Inertia）指标衡量种群多样性发现，MSIJSOA在迭代过程中能维持比原始JSOA更高的种群多样性。这表明其引入的策略有效促进了搜索个体在解空间的分散分布，避免过早同质化，这是其能够有效进行全局探索并避免局部最优的重要原因。

研究结论与意义

本研究成功提出了一种多策略改进的跳跃蜘蛛优化算法（MSIJSOA）。通过融合螺旋逼近、差分信息素和自然选择三种策略，MSIJSOA显著增强了原始JSOA的全局探索能力、局部开发能力以及跳出局部最优的能力。

该研究的主要结论和重要意义在于：首先，MSIJSOA在CEC2017和CEC2020两个权威测试集上的综合表现显著且稳定地优于原始JSOA及其他多种先进对比算法，证明了所提改进策略的有效性和先进性。其次，详细的实验分析（包括收敛曲线、统计检验、参数敏感性、种群多样性）从多角度验证了MSIJSOA在求解各类优化问题（单峰、多峰、混合、组合）时均具有高精度、快收敛、强鲁棒性的特点。最后，MSIJSOA为解决复杂的工程优化问题（如工程设计、调度、控制、机器学习模型参数调优等）提供了一个性能更优越的新工具，具有重要的理论意义和广阔的工程应用前景。未来的工作可进一步探索MSIJSOA在具体工程实践中的应用效果，并考虑将其与其他优化技术结合以应对更复杂的挑战。