💻 computer science

CICDWOA: A Collective Cognitive Sharing Whale Optimization Algorithm with Cauchy Inverse Cumulative Distribution for 2D/3D Path Planning and Engineering Design Problems

本文提出了一种名为 CICDWOA 的改进鲸鱼优化算法，通过引入优质节点集初始化、集体认知共享机制、基于柯西逆累积分布的增强螺旋更新策略以及混合变异算子，有效解决了传统算法易早熟和搜索多样性不足的问题，并在基准测试、路径规划及工程设计等复杂任务中展现出优于现有最先进算法的收敛速度、精度和鲁棒性。

原作者： Junhao Wei, Yanxiao Li, Seyedali Mirjalili, Dexing Yao, Yifu Zhao, Haochen Li, Xudong Ye, Zikun Li, Qingyang Xu, Baili Lu, Ngai Cheong, Dengcheng Yang, Sio-Kei Im, Yapeng Wang, Xu Yang

发布于 2026-03-24

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Junhao Wei, Yanxiao Li, Seyedali Mirjalili, Dexing Yao, Yifu Zhao, Haochen Li, Xudong Ye, Zikun Li, Qingyang Xu, Baili Lu, Ngai Cheong, Dengcheng Yang, Sio-Kei Im, Yapeng Wang, Xu Yang

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种名为 CICDWOA 的新型智能算法。为了让你轻松理解，我们可以把寻找“最优解”（比如设计最省油的汽车、规划无人机最短的飞行路线）想象成一群探险家在一片充满迷雾的复杂迷宫中寻找宝藏。

原来的“鲸鱼优化算法”（WOA）就像是一群普通的鲸鱼，它们虽然会游泳，但在迷宫里容易犯两个毛病：

容易迷路：还没找遍整个迷宫，就以为找到了宝藏（陷入局部最优）。
游得不够灵活：有时候太激进，有时候又太保守，很难在“到处乱跑探索”和“盯着一个地方深挖”之间找到平衡。

为了解决这些问题，作者给这群鲸鱼装上了“超级装备”，升级成了 CICDWOA。我们可以用以下四个生动的比喻来理解它的核心改进：

1. 开局不靠运气，靠“黄金地图” (Good Nodes Set)

旧模式：以前的鲸鱼出生时，位置是随机乱丢的。这就像把一群探险家随机扔在迷宫的某个角落，大家可能都挤在同一个死胡同里，或者有些区域根本没人去。
新模式：CICDWOA 使用了一种叫“好节点集”的方法。这就像在出发前，先给探险家们发了一张精心设计的“黄金地图”。这张地图确保每个人一开始就均匀地分布在迷宫的各个角落，没有重叠，也没有盲区。这样，大家一开始就能覆盖整个迷宫，大大增加了找到宝藏的概率。

2. 拒绝“单打独斗”，学会“集体智慧” (Collective Cognitive Sharing)

旧模式：以前的鲸鱼在找路时，只是随机跟着某一只鲸鱼游，或者自己瞎游。这就像探险队里大家互不交流，有人往东，有人往西，效率很低。
新模式：CICDWOA 引入了“集体认知共享”。这就像探险队里建立了一个实时通讯网络。
- 大家不仅盯着“队长”（目前找到的最好位置）看。
- 还会参考“全队平均位置”（集体的智慧）。
- 比喻：就像你在人群中找出口，你不仅看领头的，还会观察周围大家的整体动向。如果大家都往左偏，说明左边可能有路。这种“抱团取暖”的策略，让鲸鱼们能更聪明地协作，避免盲目乱撞。

3. 游动姿势升级：从“直线冲刺”到“螺旋冲浪” (Adaptive Exponential Spiral & CICD)

旧模式：以前的鲸鱼靠近猎物时，主要是直线收缩或者简单的螺旋。这就像在迷宫里走直线，容易撞墙或者在原地打转。
新模式：
- 自适应指数螺旋：鲸鱼现在的游动轨迹变成了复杂的螺旋冲浪。它们不再只是直线靠近，而是像冲浪一样，根据距离远近自动调整波浪的大小和角度。离得远时，波浪大，游得快（探索）；离得近时，波浪小，游得稳（挖掘）。
- 柯西逆累积分布 (CICD)：这是最酷的一点。想象一下，如果鲸鱼发现前面好像有墙（可能是死胡同），它不会硬撞，而是利用一种“重尾”特性，偶尔会突然来个“超级跳跃”，直接跳过障碍，飞到迷宫的另一端去看看。这种“跳跃”能力让算法极难被困住。

4. 突变与进化：像“基因突变”一样保持活力 (Hybrid Gaussian-Cauchy Mutation)

旧模式：游久了，鲸鱼们可能会变得很懒，大家都挤在一起，不再思考新路线。
新模式：CICDWOA 引入了“混合高斯 - 柯西变异”。这就像给鲸鱼群定期注射**“活力疫苗”**。
- 大部分时候，它做微小的调整（高斯分布），像微调方向盘，让路线更精准。
- 偶尔，它会做大幅度的改变（柯西分布），像突然换个泳姿，去探索完全未知的区域。
- 这种“微调 + 大跳”的组合，保证了队伍永远充满活力，不会在找到一点小甜头时就停止前进。

5. 智能刹车系统 (非线性收敛因子)

旧模式：以前的算法像一辆车，刹车是匀速踩下的，不管路况如何，速度都按固定节奏慢下来。
新模式：CICDWOA 的刹车是智能自适应的。
- 刚开始探索时，它像跑车一样，刹车踩得轻，跑得飞快（广泛探索）。
- 快到终点时，它像老司机一样，根据路况灵活调整，慢慢减速，精准停靠在宝藏位置（精细挖掘）。

总结：它到底厉害在哪？

作者把这套“超级鲸鱼”拿去做了很多测试：

数学题：在 23 道复杂的数学迷宫题中，它几乎每次都拿了第一，比以前的算法快且准。
机器人走路：让机器人在满是障碍物的房间里找路，它总能画出最平滑、最短的路线，而且不管障碍物多密集，它都能成功，不会撞墙。
无人机飞行：让无人机在三维空间里飞，既要避开高楼，又要省油，它规划出的路线最完美。
工程设计：在设计弹簧、齿轮箱、压缩机等复杂机械时，它能算出最省材料、最安全的方案，而且每次算出来的结果都几乎一模一样（非常稳定）。

一句话总结：
这篇论文发明了一种更聪明、更团结、更会“跳跃”的鲸鱼算法。它通过均匀开局、集体智慧、灵活游动、随机跳跃和智能刹车，解决了传统算法容易“死脑筋”、容易“迷路”的问题，成为了解决各种复杂工程难题的“寻宝神器”。

1. 研究背景与问题 (Problem)

核心问题：
传统的鲸鱼优化算法 (Whale Optimization Algorithm, WOA) 虽然结构简单、参数少且收敛速度快，但在处理复杂的高维、多模态优化问题时存在显著缺陷：

易陷入局部最优 (Premature Convergence)： 在搜索后期，种群多样性迅速丧失，导致算法过早收敛。
全局探索能力不足 (Weak Global Exploration)： 难以在复杂的解空间中有效跳出局部极值点。
搜索多样性弱 (Weak Search Diversity)： 种群初始化通常使用伪随机数，导致个体分布不均匀，存在聚集或盲区。
平衡性差： 难以在“全局探索”（Exploration）和“局部开发”（Exploitation）之间实现动态且自适应的平衡。

研究目标：
提出一种改进的鲸鱼优化算法变体，旨在解决上述问题，提高算法在复杂工程优化、路径规划及高维函数优化中的精度、稳定性和鲁棒性。

2. 方法论 (Methodology)

论文提出了一种名为 CICDWOA (Collective Cognitive Sharing Whale Optimization Algorithm with Cauchy Inverse Cumulative Distribution) 的新算法。该算法在标准 WOA 的基础上，重构了多个核心机制：

2.1 种群初始化：优良节点集 (Good Nodes Set, GNS)

改进点： 摒弃传统的伪随机数初始化。
机制： 引入数学家华罗庚提出的“优良节点集”理论。
作用： 在高维空间中生成分布更均匀的初始种群，减少个体聚集和搜索盲区，为后续的全局搜索提供高质量的起点。

2.2 搜索行为建模：集体认知共享 (Collective Cognitive Sharing, CCS)

改进点： 替代了标准 WOA 中完全随机的“搜索猎物”阶段。
机制： 个体不仅向全局最优解（Leader）学习，还结合种群的平均位置进行更新。
公式逻辑： 引入自适应调节因子 $G(t)$ 和随机系数 $\alpha$ ，构建加权组合。
作用： 将“随机依赖”转变为“集体协作”，增强种群的信息利用率和协同搜索效率，防止个体过度分散或过度集中。

2.3 包围猎物阶段：自适应指数螺旋 (Adaptive Exponential Spiral, AES)

改进点： 替代原有的线性收缩包围模型。
机制： 引入指数调制项 $Z$ 和螺旋系数 $j$ ，构建非线性螺旋轨迹。
作用： 打破线性收缩的限制，使个体能以更高的运动灵活性接近最优解，增加搜索路径的多样性，增强跳出局部最优的能力。

2.4 螺旋更新阶段：增强螺旋更新机制 (Enhanced Spiral Updating)

改进点： 引入 柯西逆累积分布 (Cauchy Inverse Cumulative Distribution, CICD) 和 惯性权重 (Inertia Weight)。
机制：
- CICD： 利用柯西分布的“重尾”特性，对领导者位置进行扰动，产生长距离跳跃，帮助算法在关键时期逃离局部最优。
- 惯性权重 $\omega$ ： 采用 Sigmoid 函数动态调整，早期抑制收敛强度以保持多样性，后期增强吸引力以加速收敛。
作用： 实现全局探索与局部开发的动态平衡。

2.5 变异策略：基于差分进化 (DE) 的混合高斯 - 柯西变异

改进点： 在搜索中后期引入差分进化思想。
机制： 生成中间解后，应用混合高斯（用于局部微调）和柯西（用于全局大跳跃）分布的加权变异。
作用： 提供多尺度的扰动，既保证局部开发的精度，又维持全局搜索的活力，防止种群停滞。

2.6 收敛因子 $a$ 的非线性自适应控制

改进点： 将标准 WOA 中 $a$ 的线性衰减改为基于 Sigmoid 函数的非线性衰减。
作用： 根据迭代阶段自适应调节搜索强度，避免早期过快收敛或后期收敛缓慢。

3. 主要贡献 (Key Contributions)

算法架构创新： 提出了 CICDWOA 算法，集成了 GNS 初始化、CCS 机制、AES 螺旋模型、CICD 扰动及混合变异策略，形成了一个多策略协同的优化框架。
理论机制突破：
- 首次将“优良节点集”应用于 WOA 初始化，显著改善了高维空间的分布均匀性。
- 提出“集体认知共享”机制，从群体动力学角度增强了 WOA 的协同搜索能力。
- 利用柯西逆累积分布的重尾特性解决局部最优陷阱问题。
广泛的实验验证：
- 基准测试： 在 23 个标准基准函数（单峰、多峰、固定维数）上进行了测试。
- 路径规划： 解决了 2D 机器人路径规划和 3D 无人机 (UAV) 路径规划问题。
- 工程设计： 求解了 10 个经典的工程约束优化问题（如压力容器、弹簧、桁架、压缩机等）。
开源与复现： 提供了完整的代码和实验数据，促进了社区复现与进一步研究。

4. 实验结果 (Results)

4.1 基准函数测试

性能排名： 在 23 个基准函数上，CICDWOA 的 Friedman 平均排名为 1.6790，在所有对比算法（包括 GWO, AROA, 多种 WOA 变体等）中排名第一。
统计显著性： Wilcoxon 秩和检验表明，CICDWOA 与其他算法的性能差异具有统计显著性。
消融实验： 证明了 GNS 初始化、CCS 机制、CICD 扰动等各个模块对最终性能均有显著正向贡献。

4.2 路径规划应用

2D 机器人路径规划： 在四种不同障碍物密度的环境中，CICDWOA 均能找到最短路径。特别是在高密度障碍物环境（Environment 3 & 4）中，传统算法（如 IWOA, MWOA）经常失败或陷入局部最优（路径长度剧增），而 CICDWOA 保持了极高的稳定性和最优解（平均路径长度约 28.6，标准差极小）。
3D 无人机路径规划： 在考虑路径长度、高度和动态约束的加权目标下，CICDWOA 取得了最佳平均适应度值 (76.95) 和最小的标准差 (1.83)，生成的路径更短且转弯更平滑。

4.3 工程设计优化

10 个工程问题： 包括锯木厂运营、多片离合器、反应堆网络、三杆桁架、弹簧、减速器、工字梁、活塞杠杆、气体压缩机和工业制冷系统。
结果表现： CICDWOA 在所有 10 个问题上均达到了理论最优值或近最优值。
稳定性： 绝大多数问题的标准差 (Std) 接近于 0，表明算法具有极高的鲁棒性和重复性，能够稳定收敛到全局最优解。相比之下，其他算法在某些高非线性问题（如活塞杠杆、工业制冷系统）上表现波动巨大或陷入局部最优。

5. 意义与结论 (Significance & Conclusion)

学术意义：

为元启发式算法的设计提供了新的思路，特别是将“集体认知”和“优良节点集”引入群体智能算法。
证明了通过多策略混合（初始化、变异、更新机制、分布扰动）可以有效解决“探索 - 开发”平衡难题。

实际应用价值：

通用性强： CICDWOA 不仅适用于数学函数优化，还能有效解决具有强约束、非线性、高维度的实际工程问题。
工程落地： 在机器人导航、无人机路径规划及机械结构设计中展现了极高的实用价值，能够生成更优、更安全的解决方案。
鲁棒性： 算法在不同初始条件和复杂环境下均表现出极强的稳定性，适合对可靠性要求高的工业场景。

总结：
CICDWOA 通过引入集体认知共享、柯西分布扰动及多种自适应机制，成功克服了传统 WOA 易陷局部最优和多样性不足的缺陷。实验结果表明，该算法在求解精度、收敛速度和鲁棒性方面均优于现有的先进元启发式算法，为复杂系统优化问题提供了一个高效、通用的解决方案。