具有多策略混合的改进黑翅鸢优化算法及其应用

为艰难工程难题配备更聪明的数字“鸢群”

从设计更快的列车到调整电网，工程师经常面对传统试错方法无法应对的复杂问题。本文提出了一种新的计算“鸢群”——改进的黑翅鸢优化算法（IMBKA），模拟鸟类如何侦查、突击和迁徙以锁定最佳解。作者还展示了这一更智能的群体如何帮助预测高速铁路中的一项关键安全因素：受电弓与架空线接触处的电阻。

为什么需要更好的数字探索器

现代工程系统极其复杂，变量众多且相互影响，往往存在互相冲突的需求。经典优化工具容易陷入“足够好”的答案，错过隐藏在广阔可能性空间中的更优解。近年来，研究者转向模仿动物群体行为的自然启发算法：鱼群、狼群和鸟群寻找食物。黑翅鸢算法（BKA）属于这一类，最初基于这些鸟类在天空盘旋侦察然后俯冲捕食的行为构建。尽管BKA在许多任务上已优于若干知名方法，但它仍存在两大弱点：初始猜测可能较差，搜索易在局部陷阱中停滞。

对虚拟群体的四项升级

改进版本IMBKA在搜索过程的四个关键时刻对BKA进行了优化。首先，不再随机散布初始个体，算法使用精心设计的“最优点集”将它们均匀分布在搜索空间内。这一简单变化提高了多样性，降低了所有候选解一开始集中在问题不利角落的风险。其次，作者在攻击阶段引入了自适应权重，类似接近目的地时逐步放缓油门的思路。运行初期算法采取更大胆的步幅以广泛探索；后期步幅缩小以便对有希望的解进行微调。

规避死角的警觉飞行模式

第三，研究者借鉴另一种以鸟类为灵感的方法（麻雀搜索算法）的警戒行为，并引入源自鲸类启发优化器的螺旋运动模式。自然界中，群边缘的鸟警惕危险并引导群体避开威胁。在IMBKA中，这被转化为帮助个体逃离风险或低效区域的特殊移动，同时围绕有潜力的候选解做螺旋式探查以更彻底地考察其周边。第四，算法偶尔执行“莱维飞行”，即将大量短步与罕见长跃混合的跳跃策略。这些长跃帮助数字鸢群逃离局部陷阱，发现可能包含全局最优解的远处区域，同时不牺牲在良好位置附近的细致搜索能力。

证明可靠性并测试收敛速度

为证明IMBKA不仅聪明且可靠，作者建立了基于马尔可夫链的数学模型，这是描述随机过程的标准工具。该模型支持一个严格的证明：在足够时间内，算法以趋近于一的概率找到全局最优解。随后他们在十二个广泛用于比较优化方法的基准问题上测试IMBKA。在受控的“消融”研究中，他们逐一开关四项改进，结果显示每一项都带来帮助——且组合效果最佳。与另外五种现代算法相比，IMBKA在各类平滑与高度崎岖的测试地形上均表现出更快的收敛、更低的误差水平以及更稳定的性能。

帮助高速列车保持供电

当优化工具能在实际硬件上产生影响时其价值最为明显。作为实用验证，团队用IMBKA调优支持向量机这一流行的机器学习模型，用以预测轨道系统中受电弓-接触网的接触电阻。该电阻影响架空线向列车传输电力的效率与可靠性。基于一个在不同速度、电流、压力和振动条件下的定制滑动接触试验台数据，他们比较了三种模型：普通支持向量机、由原始BKA调优的版本以及由IMBKA调优的版本。基于IMBKA的模型将预测误差降低了约四分之一，拟合度指标（R²）提高约十七个百分点，表明对接触电阻的预测更准确、更可信。

对日常技术的意义

简言之，研究表明，如果赋予一群虚拟鸢更聪明的方式来分布、适应、对危险作出反应并偶尔进行远跃，就能更快地找到更好的解。对于工程师而言，IMBKA为解决复杂设计问题（从电力设备到交通系统）提供了更可靠的搜索引擎。通过在预测高速列车供电接触行为方面展示实际收益，这项工作表明此类自然启发算法能够在不张扬的情况下提升数百万用户依赖的技术的安全性、效率与成本效益。

引用: Hui, L., Kong, Y. Improved black-winged kite optimization algorithm with multi-strategy hybrid and its application. Sci Rep 16, 6768 (2026). https://doi.org/10.1038/s41598-026-36871-x

关键词: 元启发式优化, 自然启发算法, 黑翅鸢算法, 支持向量机, 受电弓-接触网电阻