面向工业与可靠性冗余配置问题的可解释重构优化算法

工业与可靠性优化问题常涉及复杂约束，需提供高效且可解释的解决方案。本文提出了AI-AEFA——一种基于参数重构的先进参数化元启发式算法，旨在解决大规模工业与可靠性冗余配置问题。AI-AEFA通过一种新型的对数 sigmoid 基于参数适应和混沌映射机制，增强了搜索空间的探索和收敛效率。该算法在二十八组IEEE CEC 2017约束基准问题、十五组大规模工业优化问题和七组可靠性冗余配置问题上进行了验证，始终在可行性、计算效率和收敛速度方面超越了当前最先进的优化技术。本文的另一个关键贡献是将SHAP（Shapley Additive Explanations）集成到AI-AEFA中，以增强该算法的可解释性，提供有关如库仑定数、电荷、加速度和电静力等关键参数影响的见解。这种可解释性特征使我们能够在AI-AEFA框架进行优化决策时获得更深入的理解。研究结果确认AI-AEFA是一种稳健、可扩展且具解释性的优化工具，具有重要的实际应用前景。