黒翼鳶アルゴリズム：対向ベース学習と準ニュートン戦略の統合

科学分野:

• 計算知能;最適化アルゴリズム;メタヒューリスティクス

背景:

• 黒翼鳶アルゴリズム（BKA）は、グローバル探索能力の限界と集団多様性の低下に悩まされています。これらの限界に対処することは、複雑な最適化タスクにおけるアルゴリズムの効果を向上させるために不可欠です。

研究 の 目的:

• 対向ベース学習と準ニュートン戦略を統合した強化黒翼鳶アルゴリズム（OQBKA）を提案すること。BKAのグローバル探索能力、集団多様性、局所最適化精度、収束性能を向上させること。

主な方法:

• 集団分布と局所最適脱出を強化するための、凸レンズイメージング（MOBL）に基づくミラーイメージング戦略を導入しました。後期の反復で準ニュートン法を組み込み、局所最適化と収束を改善しました。CEC2017ベンチマークセットでアブレーションスタディを実施しました。CEC2022ベンチマークスイートで比較実験を実施しました。3つの制約付き工学設計問題で性能を評価しました。

主要な成果:

• OQBKAは、CEC2017ベンチマークの29のテスト関数全体で1.34の平均ランキングを達成しました。CEC2022ベンチマークでは、OQBKAは平均ランキング2.5（10次元）および2.17（20次元）を獲得し、10の最先端アルゴリズムを上回りました。優れた探索・活用バランスと最適化精度を示しました。複雑な制約付き工学設計問題に対して実行可能なソリューションを生成することに成功しました。

結論:

• OQBKAにおける統合戦略は強力な相補性を示し、BKAのパフォーマンスを大幅に向上させます。OQBKAは、工学設計を含む複雑な最適化問題を解決するための堅牢で実用的なアプローチを提供します。提案されたOQBKAは、既存のメタヒューリスティックアルゴリズムと比較して優れたパフォーマンスを示します。