💻 computer science

Internal Combustion Engine Optimization: An Improved Physics-Inspired Metaheuristic

本文介绍了一种名为内燃机优化（ICEO）的新型元启发式算法，该算法受四冲程发动机循环的启发，并由自适应发动机控制单元进行管理，通过有效平衡勘探与开发以避免过早收敛，在解决高维、非线性优化问题方面显著优于现有的先进方法。

原作者： Chabi A. R. Babatounde, Bastien Poggi, Evelyne Vittori, Thierry Antoine-Santoni, Antoine Aiello

发布于 2026-07-01

📖 1 分钟阅读☕ 轻松阅读

原作者： Chabi A. R. Babatounde, Bastien Poggi, Evelyne Vittori, Thierry Antoine-Santoni, Antoine Aiello

原始论文采用 CC BY 4.0 许可（https://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

想象一下，你正试图在一个巨大、多雾且不断变化的迷宫中寻找最佳路径。你拥有一支探险队（一个计算机程序）正在寻找出口。工程师们称之为“优化问题”。

几十年来，计算机科学家一直使用“元启发式算法”（metaheuristics）——这些是受自然界启发（如蚂蚁寻找食物或鸟类集群）的智能猜测策略——来解决这些谜题。但这些策略经常会陷入困境。它们可能会发现一个微小的、容易到达的山谷，并误以为这就是整个世界的底部，从而错过了隐藏在山脉背后的深邃、完美的谷底。这被称为“早熟收敛”（premature convergence）。

这篇论文介绍了一种新的策略，称为 ICEO（内燃机优化算法）。作者没有模仿自然，而是模仿了一台汽车发动机。

核心理念：你的算法是一台汽车发动机

作者意识到，四冲程汽车发动机实际上是一个完美的搜索机器。它不仅仅做一件事；它通过四个截然不同、相互协调的阶段进行循环，将燃料转化为动力。ICEO 也通过同样的方式，将“随机猜测”转化为“最佳解决方案”。

以下是这四个阶段的工作原理，使用的是发动机类比：

进气（吸入）：
- 发动机： 活塞吸入新鲜空气和燃料。
- 算法： 计算机吸入“新鲜空气”（全新的、随机的猜测）和“废气”（之前找到的解）的混合物。这确保了团队能够持续探索迷宫中的新区域，以免困在某一个地方。
压缩（挤压）：
- 发动机： 活塞挤压空气与燃料的混合物，使其变得浓密且炽热。
- 算法： 计算机将那些有潜力的解进行“挤压”，使它们靠得更近。它将搜索重点放在目前发现的最有趣的区域，为实现重大突破做准备。
燃烧（爆炸）：
- 发动机： 火花塞点燃混合物，产生强力爆炸，推动活塞。
- 算法： 这是“魔幻时刻”。计算机对挤压后的解施加一次突然且剧烈的变化（就像火花一样）。这有助于团队跳出小的陷阱（局部最优解），并有可能降落在一个更好的位置。
排气（清理）：
- 发动机： 活塞将燃烧后的废气排出。
- 算法： 计算机丢弃那些糟糕、弱小的解，只保留最好的解来开始下一个循环。

大脑：“ECU”（发动机控制单元）

在真实的汽车中，一个名为 ECU 的计算机芯片负责监控发动机。如果发动机运转吃力，它会调整燃料混合比例；如果运行过热，它会进行冷却。

ICEO 拥有自己的 ECU。这是本论文中最聪明的部分。

大多数算法只是遵循固定的计划（例如，“探索 50% 的时间，然后利用 50% 的时间”）。
ICEO 的 ECU 实时观察发动机。它使用“滑动窗口”来观察最近的几次步骤。
- 如果团队停滞不前且没有进步（停滞），ECU 会说：“好吧，我们需要更多新鲜空气！”并注入更多随机猜测来打破僵局。
- 如果团队进展顺利，ECU 会说：“太棒了，让我们更用力地挤压并专注于此！”以精炼出最佳解。

这使得算法具有自适应性。它不仅仅是遵循剧本，而是根据实际情况做出反应。

效果如何？

作者使用两种测试方法，将 ICEO 与其他 10 种著名的算法（如粒子群优化算法和遗传算法）进行了对比：

数学迷宫（基准测试）： 他们使用了 18 个标准数学问题和 12 个非常困难的现代问题（CEC 2022 系列）。
- 结果： ICEO 获胜的次数最多。它比其他算法更一致地找到了最佳解，尤其是在处理最困难、最复杂的迷宫时。
- 统计证明： 他们使用了严格的数学测试（Wilcoxon 和 Nemenyi 测试）来证明 ICEO 并非仅仅是运气好。它在统计学上优于许多竞争对手，尽管它与一些顶尖对手（如 L-SHADE）的差距非常微小。
现实世界工程： 他们尝试解决了三个经典的工程问题：
- 减速器： 设计一个尽可能轻的齿轮箱。
- 三杆桁架： 设计一个既轻又强的桥梁结构。
- 压力容器： 设计一个能安全承载气体的容器。
- 结果： ICEO 的表现与现有的最佳方法不相上下，找到了具有高稳定性的最优设计。

“消融”测试（拆解实验）

为了证明发动机类比确实有效，作者将算法进行了拆解：

他们移除了“压缩”阶段：算法的表现大幅下降。
他们移除了“ECU”（大脑）：算法的表现也变差了，这证明了实时自适应能力至关重要。
结论： 这种神奇之处不在于单一的部分，而在于这四个阶段如何在 ECU 的监督下协同工作。

总结

这篇论文提出了一种通过将搜索过程视为汽车发动机循环来解决复杂问题的新方法。通过不断地吸入新想法、挤压它们、用能量引爆它们并清理垃圾——同时由一个智能的“ECU”实时调整设置——该算法避免了陷入困境，并且比许多现有方法更快地找到了更好的答案。

该论文并未声称：

它并不声称这能修复真实的汽车发动机。
它并不声称这适用于医疗诊断或临床用途。
它并不声称它对所有问题都是完美的（“无免费午餐”定理仍然适用），但它是一个非常强大的工具，适用于复杂的、高维度的工程和数学问题。

技术摘要：内燃机优化算法 (ICEO)

问题陈述
在高维、非线性且多峰值的搜索空间中进行优化仍然是工程学和计算机科学领域面临的一个基本挑战。虽然元启发式算法已被证明在处理 NP-hard 问题方面非常有效，但许多现有算法存在过早收敛以及无法在探索（多样性）与开发（密集性）之间维持最优平衡的问题。目前的自适应方法通常依赖于随机变异或扰动策略，这些策略未能显式地结合搜索过程的历史动态或当前状态，从而导致陷入局部最优。

方法论
本文提出了内燃机优化算法 (ICEO)，这是一种受内燃机四冲程工作循环启发的物理启发式元启发式算法。不同于纯粹隐喻式的算法，ICEO 被设计为一个由四个协调阶段协同作用的结构化、自适应系统：

进气（探索）： 对应于生成和集成多样化新解的过程。算法从“大气”（种群）中吸取“空气”（候选解）并结合“燃料”（随机扰动向量）。新鲜空气与回收的“废气”（先前丢弃的解）之间的比例受到动态调节。
压缩（早期开发）： 搜索空间围绕当前最优解 ( $X_{best}$ ) 逐渐收缩。空气粒子与燃料向量相结合，以生成新的候选配置，从而将搜索重点聚焦在有潜力的区域。
燃烧（强化开发与逃逸）： 模拟为一个概率过程，其中只有一部分解会经历“点火”。此阶段涉及对最优解的密集精细化处理。为了防止陷入局部极小值，算法会偶尔对选定的解应用基于莱维飞行 (Lévy flight) 的扰动。
排气（选择与更新）： 对“废气”（新生成的解）进行评估。种群经过排序，保留最优解以进入下一个循环，同时剔除劣质候选解。

自适应控制机制 (ECU)
ICEO 的核心创新在于发动机控制单元 (ECU)，这是一个管理迭代循环的自适应机制。ECU 通过监测近期适应度值的滑动窗口 ( $\omega$ ) 来监控收敛速度和停滞情况。

它计算平均改进率 ( $\Delta f$ ) 并调整加速参数 ( $a_x$ )。
根据 $a_x$ ，ECU 动态决定空气-燃料比 ( $\rho_{air}$ 和 $\rho_{fuel}$ )，从而有效地控制注入新多样性（探索）与精炼现有解（开发）之间的平衡。
这种基于反馈的自适应机制使算法能够根据优化动态进行实时反应，而非依赖固定调度。

主要贡献

结构化四阶段循环： ICEO 将搜索操作明确划分为四个协调的阶段（进气、压缩、燃烧、排气），这与将这些功能嵌入单一更新规则中的算法不同。
自适应调节： 引入 ECU 机制实现了基于性能的参数调整，特别是针对“燃烧”过程的强度以及基于观察到的停滞情况来调节解的注入速率。
空气-燃料混合机制： 算法将搜索资源显式分解为外部多样性注入（燃料）和基于种群的连续性（空气），并通过自适应调节其比例，以平衡探索与开发。

实验结果
ICEO 的性能在三个实验阶段中针对十种最先进的元启发式算法（包括 L-SHAVE、CMA-ES、GWO、PSO 和 GA）进行了评估：

标准基准函数 (D=100)： 在 18 个函数（单峰和多峰）上进行了测试。ICEO 获得了最低的全局排名分数（27 分），并获得了 15 次第一名。与竞争对手相比，它在单峰函数（如 Dixon-Price）和多峰函数（如 Rastrigin, Ackley）上均表现出卓越的收敛精度。
CEC 2022 基准测试集 (D=20)： 在 12 个复杂函数（单峰、多峰、混合及组合函数）上进行了评估。ICEO 在 Friedman 检验中取得了最佳平均排名 (2.750)。
- 统计显著性： Nemenyi 事后检验表明，ICEO 的优越性仅在针对表现最低的算法（WarSO, EHO, CMA-ES）时具有统计学意义。尽管在针对 L-SHADE 和 SADE 等顶级竞争对手时，其差异在 Nemenji 检验下不具备统计显著性，但在 Wilcoxon 符号秩检验中，ICEO 赢得了显著更多的两两比较（总计 94 胜 18 负）。
现实工程问题： ICEO 被应用于减速器、三杆桁架和压力容器设计问题。在所有案例中，与基准测试中的前五名算法相比，它都展示了极具竞争力的性能、快速的收敛性和较低的解离散度。
消融研究： 去除压缩阶段 (V1) 导致了最显著的性能下降，突显了其关键作用。不含 ECU 的变体 (V3) 表现差于完整的 ICEO，证实了自适应机制的价值。

意义与局限性
论文声称，通过其结构化的、受物理启发的循环和实时自适应控制，ICEO 提供了一个平衡探索与开发的稳健框架。ECU 机制通过根据性能而非时间来调整搜索强度，使其区别于标准的领导者引导型算法。

然而，作者也承认了特定的局限性：

统计细微差别： 虽然 ICEO 通常排名第一，但 Nemenyi 检验表明，其优越性在面对所有顶级竞争对手（如 L-SHADE）时并未得到统计确认，这表明先进方法之间存在实质性的性能重叠。
计算成本： 种群更新所需的排序步骤会产生不可忽视的计算成本，这可能会限制其在时间受限场景下的适用性。
超参数敏感性： 虽然 ECU 降低了敏感性，但算法仍需要对 $r_{min}$ 和 $r_{max}$ 等参数进行校准，如果这些参数设置在建议范围之外，性能可能会下降。
范围： 当前实现是一个单目标优化器，缺乏正式的理论收敛保证。作者建议未来的工作应解决高维问题 ( $D > 500$ )、多目标优化以及离散搜索空间。

核心理念：你的算法是一台汽车发动机

大脑：“ECU”（发动机控制单元）

效果如何？

“消融”测试（拆解实验）

总结

类似论文