基于自适应探索与开发的 FOX 优化算法改进
人工智能
2025-09-23 v2
摘要
优化算法是解决许多实际问题的关键工具，但容易陷入局部最小值的挑战以及有效平衡探索与开发的能力常常限制其性能。本文引入了 FOX 优化算法的一个改进版本，称为改进版 FOX（IFOX），其采用一种基于当前解适应性比例步长参数的自适应方法，以平衡探索与开发。IFOX 还通过去除四个参数（C1、C2、a、Mint）来减少超参数数量，并优化了 FOX 的主要方程。为评估其性能，IFOX 在 20 个经典基准函数、61 个欧洲进化计算大会（CEC）基准测试函数以及十个实际问题上进行了测试。实验结果表明，IFOX 在整体性能指标上比原始 FOX 提升了 40%。此外，在所有涉及的函数和问题中，IFOX 对 16 个优化算法进行了 880 场胜利、228 场平局和 348 场失败的比较。进一步地，包括 Friedman 检验和 Wilcoxon 符号秩检验在内的非参数统计检验确认了其在最新和最先进的优化算法（如 LSHADE 和 NRO）中的竞争力，其在 17 个算法中的平均排名为 5.92。这些发现突显了 IFOX 在解决多样化优化问题方面的巨大潜力，确立了其作为一种竞争且有效的优化算法的地位。
引用
@article{arxiv.2504.09574,
title = {An Improved FOX Optimization Algorithm Using Adaptive Exploration and Exploitation for Global Optimization},
author = {Mahmood A. Jumaah and Yossra H. Ali and Tarik A. Rashid},
journal= {arXiv preprint arXiv:2504.09574},
year = {2025}
}
备注
44 pages