融合自适应切换机制的牛顿-拉夫逊算法

摘要

牛顿-拉夫逊优化算法(NRBO)因其快速的局部收敛特性而被广泛应用，但在处理全局优化问题时，其性能受到初始种群单一和过度依赖近似梯度信息的影响.对此，本文提出了一种融合自适应切换机制的牛顿-拉夫逊算法(ANRBO).首先，ANRBO中设计了一种适应度加权的准反向学习初始化来构建初始解集，以丰富种群多样性.其次，使用自适应分段决策因子策略调节陷阱避免算子的触发概率，以平衡探索与开发.最后，当算法停滞时，ANRBO通过具有自适应切换功能的双扰动策略激活长距离跳跃，从而继续搜索未知区域.在100维的CEC 2017函数测试集上的综合优胜率达到62.07%,表明ANRBO在处理多模态和高维度问题上高效可行.将ANRBO应用于19个实际工程应用问题中，并与九种其他智能优化算法进行比较，ANRBO的Friedman平均值排名第一.证明了ANRBO在诊断精度上的优势，也体现了其自适应特性在实际工程问题中的有效性.

关键词

牛顿-拉夫逊优化算法 / 适应度加权 / 自适应切换 / 莱维飞行 / 黄金正弦