自适应t分布变异与动态边界策略优化算法

1. 项目背景与核心价值

在优化算法领域，算术优化算法（Arithmetic Optimization Algorithm, AOA）作为一种新兴的元启发式方法，近年来在工程优化、机器学习参数调优等领域展现出独特优势。然而传统AOA存在两个显著痛点：一是固定边界策略导致算法后期易陷入局部最优；二是高斯分布假设难以适配多峰优化场景的复杂搜索空间。

这个项目通过两项关键技术改进直击上述问题：

• 采用自适应t分布变异机制替代传统高斯扰动，通过动态调整自由度参数实现搜索策略从"粗放探索"到"精细开发"的平滑过渡
• 引入动态边界收缩策略，基于种群多样性指标自适应调整搜索范围，平衡全局探索与局部开发能力

实测表明，改进后的算法在CEC2017测试函数集上收敛速度提升23%-41%，同时在30维高维问题上仍保持稳定性能。项目开源代码包含367处详细注释，特别标注了关键参数的设计原理和调整逻辑，极大降低了复现门槛。

2. 算法核心改进原理拆解

2.1 自适应t分布变异机制

传统AOA在高维优化时容易出现两种失效模式：

1. 早期阶段因高斯扰动强度不足导致种群多样性快速丧失
2. 后期阶段因固定方差导致最优解附近震荡

改进方案采用t分布作为变异基函数，其概率密度函数为：

code复制f(x) = Γ((v+1)/2) / (√(vπ)Γ(v/2)) * (1 + x²/v)^(-(v+1)/2)

其中自由度参数v控制分布形态：

• 当v→1时接近柯西分布，具有重尾特性利于全局探索
• 当v→∞时退化为高斯分布，适合局部精细搜索

自适应策略：

python复制# 动态调整自由度参数（迭代次数t，最大迭代T）
v_t = 1 + (v_max - 1) * (t/T)^α  # 典型设置v_max=30, α=0.5

关键技巧：实际实现时会对不同维度采用独立采样，避免各维度耦合导致的搜索效率下降

2.2 动态边界收缩策略

传统固定边界[L,U]导致的问题：

• 早期阶段：边界过大会稀释搜索资源
• 后期阶段：边界固定限制局部开发精度

改进方案采用双阶段边界调整：

python复制if t < 0.3T:  # 探索阶段
    L_t = X_avg - β*(U-L)
    U_t