Camel foraging optimization algorithm: a mechanism-driven metaheuristic with fractional memory for constrained optimization

doi:10.1038/s41598-026-67080-1

Camel foraging optimization algorithm: a mechanism-driven metaheuristic with fractional memory for constrained optimization

2026-08-21

0

OA

AI

DOI：10.1038/s41598-026-67080-1

原文链接

查看原文

摘要

En 中文

全局优化问题通常涉及非线性、多峰、不可分离和约束的搜索景观，这在有限的函数评估预算下对基于群体的元启发式算法提出了挑战。本文提出了一种基于骆驼觅食行为启发的元启发式算法（CFEOA），该算法结合了耐力调节的状态控制与有界Grünwald–Letnikov分数阶位移记忆。在CFEOA中，耐力作为个体特有的变量，调节探索与局部精修之间的转换，而有界分数记忆项则通过近期接受位移引入方向持续性。骆驼觅食的类比仅作为组织性隐喻；搜索过程通过明确的数学算子、边界修复、接受规则和函数评估计数来定义。CFEOA通过30次独立运行进行评估，采用固定随机种子、相等功能评估预算，在主要基准比较中禁用早期停止，公开完整参数并开放代码。主要验证使用CEC 2022测试套件，并与经典群智能基线和自适应DE家族比较器（包括NL-SHADE-LBC作为最新的SOTA参考）进行对比。在18个函数-维度组合中，NL-SHADE-LBC获得最佳综合排名，而CFEOA在Holm校正后仍对PSO、GWO和WOA保持统计显著优势，并与DE、JADE、SHADE、L-SHADE和TLBO无显著差异。组件消融分析、参数敏感性、收敛性、多样性、CPU时间、可扩展性和约束工程分析表明，CFEOA提供了一种透明、可复现且以可靠性为导向的搜索框架，其优势依赖于搜索景观特性而非普适的SOTA主导性。结果表明，CFEOA可作为针对特定复杂和约束优化问题的受控搜索替代方案，尤其适用于重视可重复性、可行性和可审计机制设计的研究场景。

Camel foraging optimization algorithm: a mechanism-driven metaheuristic with fractional memory for constrained optimization

摘要

AI总结

期刊

机构

引用论文