用于全局优化与工程设计问题的冠刺豪猪优化器中的自适应多机制整合

更聪明的搜索以获得更优设计

从更轻的桥梁到更高效的压力容器，现代工程往往归结为一个艰难的问题：在无数可能的设计中，哪个是最优的？当设计空间巨大且崎岖，充斥着许多相互竞争的“相当不错”选项时，传统的计算方法会遇到困难。本文提出了一种改进的计算搜索方法，灵感来自冠刺豪猪的防御机动，旨在更可靠地在此类复杂景观中漫游，以更少的试错找到更好的设计。

为什么找到最优解如此困难

选择最优设计很少像转动一个旋钮那么简单。真实项目同时权衡许多变量——尺寸、形状、材料——并受严格的安全与性能限制。由此产生的可能性“景观”可能有许多峰谷，每个谷代表一种可行设计。简单的沿最陡下降方向的方法很容易陷入遇到的第一个谷底。群体式方法通过并行派出大量候选解提供了一条出路，但即便如此，它们也常常过快收敛，失去多样性，从而满足于次优解。原始的冠刺豪猪优化器（CPO）就是一种基于豪猪如何驱赶掠食者的群体方法：巧妙但在尤其复杂的问题上仍易被困住并变慢。

给数字豪猪更好的起步

作者提出了一个称为 SDHCPO 的增强版本，在若干关键阶段加强了 CPO。首先，不是纯粹随机地散布候选设计，而是使用一种称为 Sobol-对立初始化的技术。通俗地说，这会在整个设计空间内创建高度均匀、类似网格的起始点分布，然后有意地也在对侧采样它们的镜像。如果某些起点较弱，它们可能会被看起来更有希望的对立点替代。这个简单想法减少了搜索中的空白“盲点”，提高了一些候选解起始时就接近真正优良区域的可能性。

防止群体陷入僵局

一旦搜索开始，SDHCPO 添加了两种受控混合机制，以防止种群过快收敛到平庸的设计。一种机制借鉴了差分进化，这是一种经过长期检验的策略，通过组合若干现有个体之间的差异来创造新候选解。这注入了更强、更有结构的随机性，推动部分豪猪进入未探索的领域，而不是仅仅跟随当前领导者。第二种机制称为横向–纵向交叉，作用于设计的单个坐标：它允许停滞的维度要么与群体中其他成员“交换”数值，要么与同一设计的不同部分交换。实际上，种群可以在不必重头开始的情况下重组有用特质，这有助于打破某些方向上的狭窄僵局。

从狂野探索到稳健精炼

随着搜索的推进，一个优秀算法必须逐步从广泛漫游转向精细调整。在原始的豪猪方法中，这一后期行为由随机权重控制，导致在有希望的设计附近出现抖动和有时浪费的移动。SDHCPO 用一个平滑的、随时间控制的“余弦”调度取而代之，随着迭代进行稳步减小步长。早期该调度允许大胆的跨谷跳跃；后期则鼓励围绕迄今发现的最佳谷进行小而精确的调整。当与改进的初始化和混合步骤结合时，这赋予 SDHCPO 一种协调的节奏：开始时积极扩散，中间阶段混合与剪枝，最后安静地精炼。

在测试与实际结构上的表现证明

为检验这些改进是否有效，作者将 SDHCPO 与另外七种现代群体方法在两个优化社区广泛使用的高难度测试函数集合上进行对比。在数十项任务中，即使变量数量从 30 推到 50，SDHCPO 通常能更稳定地找到更好的解，运行间差异更小。团队随后将该方法应用于五个经典设计挑战，包括焊接梁、弹簧、压力容器以及一个需在满足振动限制下最小化质量的大型 72 杆空间桁架。在几乎所有案例中，SDHCPO 都能匹配或超越已知最佳设计，有时在仍满足所有安全约束的情况下减轻结构重量。

这对日常工程意味着什么

对非专业读者而言，关键的信息是 SDHCPO 是一种更智能、更可靠的方式来搜索广阔的设计空间。通过以更均匀的试验设计分布开始、有意地搅拌并重组这些设计，然后平滑地收紧焦点，该算法不太可能满足于仅仅足够的解决方案。相反，它倾向于持续改进，直到找到真正高质量的设计。随着工程问题——从轻量结构到交通控制——变得愈发复杂，像 SDHCPO 这样的工具有望更好地利用计算资源，帮助工程师探索更多选项，最终得到更安全、更廉价、更高效的解决方案。

引用: Xie, H., Mao, J., Wan, X. et al. Adaptive multi mechanism integration in the crested porcupine optimizer for global optimization and engineering design problems. Sci Rep 16, 9275 (2026). https://doi.org/10.1038/s41598-026-39222-y

关键词: 元启发式优化, 群体智能, 工程设计, 全局优化, 自然启发算法