带学习功能的旋转跳跃算法

我们提出了一种名为带学习旋转跳跃算法（Rotation Excursion Algorithm with Learning, REAL）的新颖启发式算法，用于通用优化。REAL 借鉴了 CEC 优化套件中固有的构造机制，集成了三个基本操作并采用自然增长规则，以解决优化任务。初始操作涉及在搜索空间中旋转当前可行解，以生成和评估新的解。跳跃操作旨在将当前可行解置于存储于名为“可见点列表”的列表中，以历史上更优解为目标。第三个操作是在前述操作生成的解所在各自邻域内进行扰动。旋转操作有助于对整个搜索空间进行全面且随机的探索，而跳跃操作则利用已知信息来细化当前解。扰动操作作为一种邻域搜索，以进一步提升解的质量。自然增长规则在整个搜索过程中动态调整 REAL 在探索与开发之间的平衡。为验证所提算法的有效性，我们将其应用于解决多样化的 67 个问题，包括 29 个基准优化问题、30 个来自 CEC 2014 的测试问题、1 个来自 CEC 2022 的问题以及 7 个工程问题。数值实验表明，REAL 在与各种其他启发式方法进行比较时表现优异。