Black soldier fly algorithm based on swarm intelligence method for solving optimization problems

F. Musavee

doi:10.1038/s41598-026-74847-z

2026-10-07

F. Musavee

M. R. Mosavi *

DOI：10.1038/s41598-026-74847-z

原文链接

查看原文

摘要

En 中文

元启发式群算法对于解决复杂、非凸优化问题至关重要。然而，当代优化器在追踪高度崎岖的工程表面时，日益受到结构停滞和收敛速度缓慢的限制；这一局限源于它们严格依赖标准线性向量更新或基本随机游走，导致搜索代理盲目绕过狭窄的全局低谷。为克服这一挑战，本文介绍了一种新型基于群集的优化框架，命名为黑水虻算法（BSFA），其模型基于某些蝇类物种的生物栖息地选择、同种聚集以及微气候产卵追踪行为。与传统系统在整个种群中应用统一位置更新不同，BSFA引入了解耦的非线性位置更新架构。全局探索由动态非线性分数比率跟踪代理间的空间密度（凝聚力）与目标接近度（分离度）共同决定。局部开发由独特的代数心形轨迹算子驱动。这种数学配置使个体代理能够动态环绕目标空间而非直接冲向目标，实现了对局部景观的全向扫描，从而显著加速了精细尺度收敛速度并防止了过早陷入局部最小值。通过23个标准函数和复杂的CEC2017套件，将所提出的BSFA与包括GA、PSO、GWO、LSHADE、BTA和CAOA在内的十种强大竞争算法进行了严格基准测试。实验和统计分析（通过显著性水平为$$\:\alpha\:=0.05$$的Wilcoxon非参数检验验证）表明，BSFA在TF9和TF11等关键多峰函数上实现了绝对全局最优值，在与消融变体的比较中获得了最低的2.3平均Friedman排名，并在整个测试套件中产生了20.6秒的竞争性计算时间指标，在处理效率方面排名第二。这些定量结果证实，BSFA能够稳健消除次优局部低谷，并在各种连续优化任务中显著加速精细尺度收敛速度。