一种具有多策略的增强型连通银行系统优化器，用于数值优化问题

为艰难设计问题提供更聪明的搜索

现代工程和数据科学充满了难以调优的任务：选择桥梁的最佳形状、最有效的电网配置，或机器学习模型的合适参数。这些问题就像有许多峰谷的广阔山脉，靠人工无法找到最高的峰。本文引入了一种新的计算机搜索方法——增强型连通银行系统优化器（ECBSO），它使用银行网络的隐喻更智能、更可靠地探索这些景观，相较于许多现有方法具有优势。

从银行转账到更好的设计

ECBSO 建立在早期算法连通银行系统优化器（CBSO）之上。CBSO 将一个银行网络想象为沿不同路径互相转账。每一条可能的路径代表一个候选设计方案，转账所需的时间反映了该方案的优劣。通过尝试多条路径并随时间调整，算法搜索更快、更高效的路径——换言之，就是更好的解。CBSO 的一个主要吸引力是几乎不需要人为细调参数，使其易于应用。但它也有弱点：银行之间的信息共享不足，并且从广泛搜索到精细调整的过渡太突兀，常常陷入次优解。

三项新机制：反馈、更新与模式

作者通过加入三项互补思想将 CBSO 升级为 ECBSO。第一，反馈选择策略让每个“银行”对自身近期表现作出反应。如果某种更新路径的方式使结果变好，这种方式会被保留；若无效，银行下次会切换到另一种方式。这个简单的反馈回路取代了僵化的预设阶段，使搜索能在遇到不同景观时即时自适应。第二，再生性种群策略并非每次扰动整个种群，而是偶尔只刷新部分个体。它衡量解的分布程度和改进速度，当搜索显得放缓或过度收敛时，有选择地再生一些候选解。

学习搜索空间的形状

第三个思想称为分布估计，它寻找迄今为止最佳解中的模式。ECBSO 不再盲目地逐坐标小幅调整候选解，而是建立一个关于优良解如何在空间中分布的简单统计图景。然后按这一学习到的模式采样新候选，特别关注变量之间显著关联的方向。这有助于搜索在困难景观中更智能地移动，既能在早期覆盖大区域，又能在有前景的区域附近聚焦。由此学得模式生成的新候选会与原有银行过程产生的候选混合，只有最优的幸存者进入下一代，从而兼顾多样性与改进压力。

将方法付诸检验

为判断这些想法是否真正有用，作者在大型、知名的人工测试问题集合 CEC-2017 上运行了 ECBSO。这些问题模拟了许多现实困难：有的只有单一明确最优解，有的则有许多具有迷惑性的峰或拼接而成的景观。ECBSO 与来自不同搜索家族的十个先进竞争算法进行了比较，这些算法包括进化类、群体智能类、物理启发类和数学启发类算法。使用标准统计检验，研究表明 ECBSO 通常能找到更好的解且较为稳定，尤其在更高维的问题上，那些较简单的方法常常失败。

从基准测试到真实工程

除了合成测试，作者还将 ECBSO 应用于十个真实工程设计任务，如弹簧、压力容器、齿轮传动和在多重安全与成本约束下的机器人零件设计。这些都是约束优化问题，许多看似良好的设计因违反应力、尺寸或性能规则而被禁止。ECBSO 通过对违规方案施加惩罚来处理约束，同时其三项策略引导搜索朝向可行且高质量的设计。在这些案例中，ECBSO 往往在与同一组对手算法的比较中名列前茅或接近前列，并提供不仅优秀且多次运行结果稳定的解。

这对日常技术意味着什么

简而言之，论文表明向银行启发的搜索中加入简单的反馈、选择性更新和模式学习，可以显著提升计算机解决困难设计问题的能力。ECBSO 确实比其母算法需要略多的计算时间，但回报是更好且更可靠的解，尤其在复杂和高维场景下。鉴于优化悄然支撑着从能源系统到交通、金融和医学成像等领域，像 ECBSO 这样的算法有望让日常技术背后的“调优”工作变得更高效、稳健且更具适应性。

引用: Yin, Y., Liu, H., Cai, S. et al. An enhanced connected banking system optimizer with multiple strategies for numerical optimization problems. Sci Rep 16, 12564 (2026). https://doi.org/10.1038/s41598-026-38261-9

关键词: 元启发式优化, 工程设计, 全局搜索算法, 数值优化, 银行网络模型