💻 computer science

Aye-Aye Optimizer (AAO): A Bio-Inspired Metaheuristic Algorithm Based on the Percussive Foraging Strategy

本文介绍了一种名为 Aye-Aye 优化器（AAO）的新型仿生元启发式算法，该算法通过模拟 Aye-Aye 狐猴的敲击觅食策略，利用三个自适应阶段来实现探索与开发之间的卓越平衡、更快的收敛速度，并在基准测试和现实世界优化问题上表现出稳健的性能。

原作者： Sobhan Hajmohammadiᵃ, Mohammad Javad Mahmoodabadiᵃ, Shahrzad Saremiᵇ, Rania Shiblᶜ, Mingzhong Wangᵇ, Mansooreh Mirzaeiᵇ

发布于 2026-06-29

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Sobhan Hajmohammadiᵃ, Mohammad Javad Mahmoodabadiᵃ, Shahrzad Saremiᵇ, Rania Shiblᶜ, Mingzhong Wangᵇ, Mansooreh Mirzaeiᵇ

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，你正试图在一片巨大的、漆黑的森林中寻找一个藏宝的最佳地点。你无法一眼看清整个森林，也没有地图。这正是计算机科学家在尝试解决复杂的工程或数学难题时所面临的一种情况。他们需要一种“搜索策略”来从数百万种可能性中找到完美的答案。

这篇论文介绍了一种新的搜索策略，称为眼镜猴优化算法（Aye-Aye Optimizer, AAO）。它的灵感来自于一种非常奇特且独特的动物：来自马达加斯加的夜行性灵长类动物——眼镜猴。

动物灵感：眼镜猴的“敲敲”游戏

眼镜猴以其独特的狩猎方式闻名。它不仅仅是在寻找食物，它还在倾听食物。

敲击： 它用长而骨感的中间手指快速敲击树皮。
倾听： 它停下来并倾听声音。如果回声听起来有所不同，这意味着内部有一个空腔（以及一只美味的幼虫）。
挖掘： 一旦它确定了幼虫的具体位置，它就会利用同样的长手指将其挖出来。

研究人员意识到，这种“敲击、倾听、挖掘”的方法是解决计算机问题的完美配方。

计算机算法是如何工作的

AAO 将眼镜猴的行为转化成了一场由数字“智能体”（可以将其想象成一群微小的数字灵长类动物）进行的数学游戏。这个过程分为三个阶段，就像这种动物的行为一样：

1. 随机敲击（探索/Exploration）
在开始阶段，数字智能体会随机在“森林”（搜索空间）各处进行敲击。它们在撒大网，寻找任何有迹象的线索。在计算机世界中，这被称为探索。它们正在检查不同的区域，看看是否有有趣的东西隐藏其中。

2. 专注倾听（定位/Localization）
一旦某个智能体发现了一个听起来很有希望的地方（一个“好”的解），整个群体就会改变策略。它们不再随机敲击。相反，它们开始在那个特定位置的极近范围内进行敲击，非常仔细地倾听“声音”（数学逻辑）中的细微差别。它们缩小了搜索半径，变得越来越精确。这被称为定位。

3. 深度挖掘（开发/Exploitation）
最后，当它们确定自己已经接近最佳位置时，它们就会进入“挖掘模式”。它们将所有的精力集中在那个极其微小的区域，以寻找绝对最佳的答案。在论文中，这被称为开发。

秘诀：三个神奇数字

为了确保算法不会陷入停滞或移动过快，研究人员发明了三个控制旋钮（分别命名为 Alpha、Beta 和 Gamma）。

Alpha 像一块磁铁，轻轻地将智能体拉向它们目前发现的最佳位置。
Beta 像一点点“混乱”或“抖动”，防止智能体变得过于无聊或困在某一个点上。它确保它们会继续到处观察，以防万一。
Gamma 像一个变焦镜头，随着它们接近终点，镜头会变得越来越紧凑。

通过平衡这三者，AAO 知道何时该广撒网，何时该深挖掘。

效果如何？

研究人员将这种新的“数字灵长类动物”与五种著名的搜索算法（如遗传算法和粒子群优化算法）进行了对比测试，使用了大量的标准数学谜题和现实世界的工程挑战。

结果令人印象深刻：

速度： AAO 找到答案的速度比其他算法更快。
准确度： 它找到了更好、更精确的答案。
可靠性： 与其他算法相比，它在面对棘手、复杂的谜题时不容易产生混乱。

现实世界测试

为了证明它不仅仅擅长数学游戏，研究人员还使用它解决了五个实际的工程问题：

设计尽可能轻的弹簧。
设计成本最低的压力容器（如储罐）。
设计一个既坚固又廉价的焊接梁。
设计一个既轻便又安全的桁架（桥梁支撑结构）。
设计一个机器中的齿轮传动系统。

在几乎所有的案例中，眼镜猴优化算法都击败了竞争对手，能够更一致地找到最佳设计。

核心结论

论文声称，通过模仿眼镜猴独特的狩猎方式——敲击、倾听和挖掘——研究人员创造了一种非常擅长在充满可能性的世界中寻找“最佳”答案的计算机工具。这是一个简单的想法（模仿自然），却带来了一种解决复杂问题的高效新方法。

技术摘要：眼镜守宫优化算法 (Aye-Aye Optimizer, AAO)

问题陈述
传统的优化方法（如基于梯度的技术和线性规划）在处理高度非线性、多峰值、不连续以及高维目标函数时往往表现不佳。虽然元启发式算法通过平衡勘探（全局搜索）与开发（局部精细化）已出现以应对这些局限性，但“无免费午餐”定理指出，没有任何一种算法能在所有可能的解空间中都优于其他算法。因此，科学界需要不断开发具有独特搜索动态和自适应机制的新算法，以更有效地处理特定类别的复杂优化问题。

方法论
本文介绍了一种名为眼镜守宫优化算法 (AAO) 的新型算法。这是一种基于种群的、受生物启发的元启发式算法，模拟了产自马达加斯加的夜行性狐猴——眼镜守宫（Daubentonia madagascariensis）独特的敲击觅食策略。该算法将“敲击、倾听、提取”这一生物行为转化为一个由三个连续阶段组成的计算框架：

勘探性敲击（敲击阶段）： 模拟眼镜守宫最初在树皮上随机敲击以探测空隙的行为，算法在搜索空间内随机初始化智能体。定义了一个反馈半径 ( $R$ )，该半径随迭代次数呈指数级衰减（ $R = e^{-t/t_{max}}$ ）。该机制充当了自动步长退火策略，允许在早期阶段进行广泛的全局覆盖，并随着迭代逐渐收紧搜索区域。
聚焦定位： 一旦识别出有潜力的区域，算法将转向定位阶段。这一过程由三个自适应参数 ( $\alpha, \beta, \gamma$ $α, β, γ$ ) 控制，用于控制智能体向当前最优解 ( $x_{opt}$ $x_{o pt}$ ) 的移动：
- $\alpha$ （确定性吸引）： 随迭代次数逐渐增加，以加强对全局最优解的拉力，从而强化开发能力。
- $\beta$ （随机扰动）： 引入受控的随机波动（围绕零点振荡），以保持多样性并防止过早收敛。
- $\gamma$ （距离依赖型强化）： 与迭代次数成线性比例，并与距离全局最优解的距离成反比，从而在有潜力的区域附近增强精细化搜索。
  位置更新方程公式为： $x_i(t+1) = x_i(t) + (\alpha + \beta + \gamma) \times (x_{opt}(t) - x_i(t))$ 。
开发与提取： 最后阶段涉及深度局部搜索以提取全局最优解，类似于眼镜守宫使用其特化的手指获取猎物。边界处理通过修复机制进行管理，该机制利用衰减半径 $R$ 将越界解移回可行区域。

该算法采用统一的位置更新机制，不含速度向量或动量项，这使其区别于粒子群优化（PSO）等算法。其时间复杂度为 $O(TND) $，内存复杂度为$ O(ND + TD)$，与标准的基于种群的优化器相当。

核心贡献

新颖的生物启发： 本文提出了一种基于眼镜守宫特定敲击觅食行为的新型元启发式算法，为勘探与开发之间的平衡提供了一种独特的类比。
自适应参数结构： 引入了三个特定的参数 ( $\alpha, \beta, \gamma$ )，实现了对确定性引导、随机探索和自适应强化的独立调节。作者认为，这种分解相比于单系数方法提供了更高的灵活性和可解释性。
全面的验证： AAO 在以下维度针对五种成熟算法（遗传算法、粒子群优化、人工蜂群算法、飞蛾火焰优化和流向算法）进行了严格测试：
- 23 个基准函数（单峰、多峰及定维函数）。
- CEC 2022 基准测试集（混合函数与组合函数）。
- 五个现实世界的工程设计问题：拉伸/压缩弹簧、压力容器、焊接梁、三杆桁架和齿轮传动设计。

结果
源自不同维度（20, 30, 50）和种群规模的 100 次独立运行实验结果表明，AAO 在解的精度和收敛速度方面始终优于对比算法。

基准性能： 在单峰、多峰、定维及 CEC 2022 函数的大多数测试案例中，AAO 均取得了排名第 1（表现最佳）的成绩。它展示了在多峰景观中逃离局部最优以及在单峰收敛中实现高精度的卓越能力。
工程应用： 在现实世界的工程设计问题中，AAO 成功地在满足结构约束的同时最小化了目标函数（如重量、成本），其表现往往能达到甚至超越其他元启发式算法所发现的最佳已知解。
敏感性分析： 该算法对控制参数 ( $\alpha_c, \beta_c, \gamma_c$ ) 的适度变化表现出低敏感性，消融研究证实，三个自适应参数的完整组合对于实现最优性能是必要的。

意义与主张
本文声称，AAO 通过展示复杂的自适应行为如何从简单的生物原理中涌现，建立了一种新的智能范式。其意义在于：

有效平衡： 通过其自适应参数的动态演化，算法实现了勘探与开发之间的稳健平衡。
可解释性： 眼镜守宫的觅食步骤（敲击、倾听、提取）与算法阶段之间的直接映射，为生物启发与优化机制之间提供了直观且可解释的联系。
竞争性效率： 尽管具有新颖的动态特性，AAO 仍保持了与经典元启发式算法相当的计算效率，使其能够扩展到高维问题。

作者总结道，虽然 AAO 展示了良好的前景，但未来的工作可以包括自适应参数调优、与机器学习或局部搜索方法的杂交，以及在制造业、物流和人工智能领域更大规模工业问题中的应用。