一种包含三重机制以求解全局优化问题的增强型连接银行系统优化器

为复杂现实决策提供更聪明的搜索

从规划航班时刻表到调整医疗人工智能，许多现代问题都归结为在无数选项中寻找“最优组合”。精确的数学方法常常在这种复杂性面前力不从心。本文介绍了一种改进的计算搜索方法——增强型连接银行系统优化器（ECBSO），它模拟银行之间如何相互作用和交换信息，以更快、更可靠地寻找更好的解。

为什么传统方法会遇到瓶颈

经典优化技术在问题结构整齐时表现良好：关系平滑、可行解空间相对简单。但实际应用通常涉及大量变量、混乱的约束以及布满山峰和山谷的搜索景观，搜索容易陷入仅“足够好”的解而非全局最优。为应对这种混乱，产生了元启发式算法。它们借鉴自然、物理或人类行为的思想——例如进化、鸟群或课堂教学——以智能方式在巨大的搜索空间中漫游，而无需完备的数学信息。

以银行为问题解决蓝本

早期的连接银行系统优化器（CBSO）将银行视为搜索主体。每个“银行”代表一个候选解，银行之间的交易模拟了解的共享与改进过程。CBSO 在探索（尝试截然不同的选项）和开发（细化已发现的最佳解）之间交替。然而，原始设计存在三大缺陷：银行之间在整个网络层面共享的信息太少、从探索到开发的切换僵化地依赖时间而非实际进展，以及搜索过度依赖单一的明星个体，常导致系统在次优解附近停滞。随着问题规模和复杂性的增加，这些限制愈发明显。

使搜索更锋利的三项新机制

ECBSO 保留了银行隐喻，但加入了三项强有力的机制。首先，主导群体引导策略将表现最好的银行视为一个团队，而不是关注单一明星。通过捕捉它们选择的协同变化，该算法生成遵循这一精英群体“集体智慧”的新候选解，从而既改善了搜索空间的覆盖，又提高了有希望路径的质量。第二，指导学习策略持续衡量近期解的移动幅度。如果搜索游走过于剧烈，算法会将其引向更谨慎的精细化；如果几乎没有移动，ECBSO 则推动其去探索新区域。第三，混合精英策略将原有的银行思路与另一种称为平衡优化器的办法结合。ECBSO 不再只追逐单一胜出者，而是并行细化多个强劲候选，这有助于系统摆脱局部陷阱并更稳健地收敛。

将新方法付诸检验

为了验证这些改进是否有效，作者在一个要求严格的国际基准 CEC 2017 上测试了 ECBSO。该基准包含 29 个人工问题，设计用于从多方面考验优化方法——包括简单、崎岖、混合和高度纠结的景观，每类问题有不同维度。ECBSO 与原始 CBSO 及来自不同算法家族的八个领先竞争者进行了比较。在所有测试规模中，ECBSO 始终名列前茅。它在更多问题上发现了更优解、运行间的可靠性更高，并呈现出更平滑、更可预测的收敛曲线。详细的统计检验确认这些提升并非偶然。作者随后将 ECBSO 应用于带约束的实际工程设计任务，同样观察到更优的解质量和更强的鲁棒性，尽管由于算法计算更复杂，运行时间有所增加。

这对日常技术意味着什么

简而言之，ECBSO 是一种更可靠的“智能搜索”引擎，适用于非常困难的设计与规划问题。通过从一组强候选中学习、根据近期行为调整探索幅度、并同时打磨多个顶级选项，它更善于避免死胡同并定位真正高质量的解。尽管其并不适合对时间极度敏感的实时任务，但其更高的准确性和稳定性使其成为电力系统、工程设计、排程和机器学习等离线决策领域的有前景工具——在这些领域中，找到更好的解能节省可观成本或提高安全性。

引用: Qian, D., Cai, X., Feng, L. et al. An enhanced connected banking system optimizer incorporating triple mechanism for solving global optimization problems. Sci Rep 16, 7747 (2026). https://doi.org/10.1038/s41598-026-36149-2

关键词: 元启发式优化, 受银行启发的算法, 全局优化, 工程设计, 搜索算法