基于社会认知的种姓优化算法研究学术报告

作者与发表信息

本文由波兰AGH科学技术大学（AGH University of Science and Technology）的Aleksandra Urbańczyk、Piotr Kipiński、Mateusz Nabywaniec、Leszek Rutkowski、Krzysztof Boryczko、Aleksander Byrski（通讯作者）与中国南方科技大学（Southern University of Science and Technology）的Siang Yew Chong、Xin Yao合作完成，发表于2023年7月的《Journal of Computational Science》（Volume 72, 102098）。

学术背景

研究领域与动机
本文属于计算智能与优化算法领域，聚焦于改进元启发式算法（metaheuristics）的探索-开发平衡问题。传统元启发式算法（如遗传算法、差分进化算法）在复杂全局优化问题中表现优异，但存在早熟收敛或多样性不足的缺陷。受社会认知理论（social-cognitive theory）和印度种姓制度启发，作者提出了一种新型基于种姓的社会认知优化框架（socio-cognitive caste-based optimization），旨在通过种群分层结构和认知变异算子提升算法性能。

理论基础
1. 社会认知学习理论（Albert Bandura提出）：个体不仅通过自身经验学习，还能通过观察他人行为优化决策。
2. 种姓制度隐喻：将种群划分为封闭的“种姓”子群（castes），限制跨种姓交互以维持多样性，同时允许有限的跨种姓学习模拟社会流动性。
3. 并行进化算法：参考岛屿模型（island model）的并行进化思想，但通过动态种姓划分替代静态子群。

研究方法与流程

1. 算法设计

研究提出两类改进算法：

（1）跨种姓繁殖算法（Between-Caste Reproduction）

• 核心机制：将种群划分为多个种姓，个体优先在种姓内繁殖，但以概率ch允许跨种姓交配。
  
• 实现变体：
  
  • 随机种姓分配：个体随机分配至种姓。
    
  • 精英种姓分配：按适应度高低分层（高适应度个体进入高阶种姓）。
    
• 关键算子：改进的交叉算子（Algorithm 6）通过条件判断选择同种姓或异种姓配偶。
  

（2）社会认知变异算法（Socio-Cognitive Mutation）

• 核心机制：低种姓个体以概率lfbcp复制高种姓个体的部分基因（图5），模拟“向上社会流动”。
  
• 动态调整：定期按适应度重新排序种姓（如Algorithm 5中assign_caste步骤）。
  

2. 实验设置

• 基准问题：测试5类经典函数（Rastrigin、Ackley、Griewank、Schwefel、Rosenbrock），维度覆盖10–200维。
  
• 对比算法：传统遗传算法（GA）、差分进化（DE）、进化多 Agent 系统（EMAS）。
  
• 评估指标：20次重复实验的平均适应度、标准差、最小值，统计显著性检验（Kruskal-Wallis + Dunn检验，α=0.05）。
  
• 参数配置：种姓数量（3–10）、跨种姓概率（0.1–0.5）、学习概率（0.05–0.15）等（见表2、4、6等）。
  

主要结果

1. 跨种姓繁殖算法的优势

• 高维优化：在Rastrigin 100维问题中，精英种姓算法的平均适应度较传统GA提升2.5倍（表1：50,000次评估时从19.1降至8.03）。
  
• 收敛速度：Griewank 10维问题中，社会认知变异算法将适应度降低4个数量级（表9：从5.54×10⁻⁸降至2.58×10⁻⁸）。
  

2. 社会认知变异的有效性

• 复杂问题：Schwefel 100维问题中，EMAS混合算法将最优解从4799.7提升至687.6（表13），标准差缩小3.5倍，表明稳定性增强。
  
• 动态适应性：种姓重排机制（如每5000次评估）有效防止局部最优（图11）。
  

3. 算法对比

• DE改进：混合DE在Rosenbrock 50维问题中显著优于原DE（表5：50,000次评估时适应度从103.33降至46.44）。
  
• EMAS改进：跨种姓能量交换机制提升探索能力（表7：Rastrigin 100维问题中适应度下降40%）。
  

结论与价值

科学意义

1. 理论贡献：首次将社会认知学习与种姓制度结合，提出“认知变异算子”，为元启发式算法设计提供新范式。
   
2. 技术突破：通过种群分层和受限信息流动，解决了多样性维护与收敛速度的矛盾。
   

应用前景

• 复杂系统优化：适用于高维非凸、多模态优化问题（如工程设计、金融建模）。
  
• 算法扩展性：框架可迁移至其他群智能算法（如粒子群优化、蚁群算法）。
  

研究亮点

1. 跨学科创新：融合心理学（Bandura理论）、社会学（种姓制度）与计算智能。
   
2. 方法论突破：提出两种通用改进策略（跨种姓繁殖、认知变异），均通过严格基准验证。
   
3. 开源支持：实验基于JmetalPy库（v1.5.5）实现，确保可复现性。
   

其他价值

• 参数鲁棒性：研究通过大量参数组合测试（如种姓数量、学习概率），为实际应用提供调参指南。
  
• 理论扩展性：作者指出未来可应用于多目标优化和非静态环境，进一步验证框架普适性。