用于工程优化问题的增强型红嘴蓝鹊优化算法

更聪明的搜索以得到更优设计

每当工程师设计齿轮箱、压力容器或轴承时，他们面临一个难题：在无数可能的形状和尺寸中，哪一种性能最佳、安全可靠且成本最低？传统的数学工具常在这片可能性迷宫中迷失。本文提出了一种受鸟类行为启发的新型计算搜索方法，能够更可靠地穿越这些错综复杂的设计景观，为困难的工程问题找到高质量的解决方案。

虚拟鸟群如何探索设计空间

该方法称为增强型红嘴蓝鹊优化器（ERBMO）。它属于一类称为元启发式算法的技术，这类算法模拟进化或动物群体等自然过程，在不知道问题每个细节公式的情况下搜索良好解。ERBMO基于红嘴蓝鹊的觅食习性，这种社交性鸟类成群探寻、围拢食物并储藏所获。在算法中，许多“代理”扮演鸟的角色。每个代理表示高维空间中的一个候选设计；它们共同游走、协作，并逐步朝更佳解移动，努力避免陷入仅仅“够用”的局部解。

让鸟群既好奇又专注

作者指出此类鸟类启发搜索的一个关键难点：在好奇（探索新区域）与专注（开发有前景区域）之间取得平衡。ERBMO通过三种协调策略应对此问题。首先，一个自适应多样性加权方案会根据当前设计的差异程度以及最优解改进速度，持续调整虚拟鸟群移动的大胆程度。如果进展变慢或鸟群分布广泛，算法会鼓励更广泛的搜索；如果鸟群已锁定某个有前景的区域，则会增强其聚焦能力。其次，周期性模式搜索会不时启动，暂时改变代理探查设计空间的方式。这种有针对性的探测有助于更充分地精炼有希望的区域并摆脱欺骗性的局部陷阱。

将小幅调整与大幅跳跃相结合

第三种策略加入了受控的随机性层次。ERBMO采用概率突变步骤，有时对设计进行小幅推动，有时则将其远距离抛向搜索空间的另一端。小尺度的“高斯”调整使算法能够对接近最优的设计进行精细调优，而更大的均匀跳跃则允许其跳出死胡同，发现全新的区域。触发这些突变的概率随时间变化，逐步从广泛试验过渡到精细打磨。三者结合使虚拟蓝鹊在整个运行过程中保持多样性与收敛性的健康平衡。

将算法付诸考验

为了检验ERBMO的更智能群体行为是否真正有效，作者在优化社区广泛使用的高难度基准集合上对其进行了测试。这些合成问题包括平滑谷地、具有许多虚假峰的崎岖地形以及拼接而成的混合地形。跨多种问题规模，ERBMO在十余种现代算法中持续名列前茅，包括其前身以及若干知名方法，如粒子群优化、差分进化和协方差矩阵进化策略。该新方法在高维问题中表现尤为出色——在这些情况下，搜索空间极为庞大，许多竞争方法会失效。

真实工程设计作为靶标

研究随后超越了测试函数，转入真实工程任务。ERBMO被用于最小化减速器重量、降低压力容器成本、瘦身台阶锥形皮带轮以及减少静液推力轴承的功率损失，所有问题均在严格的安全和性能约束下求解。在每个案例中，该优化器要么达到了已知最佳设计，要么优于之，并且在多次运行中表现出可靠性。尽管ERBMO所需的计算时间比某些更简单的对手略多，作者认为其在精度和鲁棒性上的收益对于高风险应用来说是值得的权衡。

这对未来设计意味着什么

通俗来说，这项工作展示了如何通过精心设计的“虚拟鸟群”帮助工程师筛选海量设计选项，从而找到更好、更安全、更高效的方案。通过自动调整探索与精炼策略，ERBMO避免了陷阱式的常见失误。随着此类智能搜索工具的不断成熟，它们有望加速产品开发并提升能源系统、交通和制造等领域的性能。

引用: Wang, H., Xin, Z., Qi, X. et al. Enhanced Red-billed Blue Magpie Optimizer for engineering optimization problems. Sci Rep 16, 10619 (2026). https://doi.org/10.1038/s41598-026-44507-3

关键词: 元启发式优化, 群体智能, 工程设计, 全局搜索算法, 计算优化