北京，2023年9月27日/PRNewswire/-全球領先的全息增強現實（“AR”）技術提供商WiMi全息雲股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，提出了自适應學習回溯搜索算法（ALBSA），旨在通過引入自适應控制參數和新穎的突變策略來提高BSA的整體性能。自适應控制參數根據當前疊代中集群的全局和局部信息調整單個搜索步長，從而平衡探索和開發能力。新的變異策略基于不同的信息引導，根據群體的全局和局部信息引導變異操作，提高算法的優化能力。此外，多群策略的引入進一步增強了算法對不同搜索區域的适應性和搜索能力。
WiMi通過ALBSA改進了BSA，使其在優化問題上更具競争力。ALBSA的目标是通過引入自适應性和靈活性，并充分利用全局和局部信息，提高搜索效率和解決方案的質量。實驗表明，相對于傳統的BSA和其他進化算法，ALBSA具有更好的性能，可以在現實世界的問題中更好地應用和有用。
WiMi提出的ALBSA與傳統BSA相比具有以下優點：
适應性和靈活性：基于當前疊代中蜂群的全局和局部信息，設計了一個自适應控制參數來調整個體的搜索步長。這使得算法能夠更好地平衡探索和開發能力，并适應不同問題的搜索需求。
優化能力增強：ALBSA引入了一種新的基于不同信息引導的變異策略，充分利用群體的全局和局部信息來指導變異操作。這增強了算法的優化能力，使其能夠更有針對性地搜索潛在的解空間，提高了解的質量和收斂速度。
多群策略：ALBSA實現了多群策略，即同時維護多個群，每個群可以獨立搜索特定的搜索區域。這增強了算法搜索不同搜索區域的能力，從而更全面地探索解空間，增加了找到全局最優解的概率。
競争性和有效性：實驗結果表明，與傳統的BSA和其他優化算法相比，ALBSA在解決優化問題方面具有競争力和有效性。它能夠找到性能更好、收斂速度更快、搜索效率更高的解決方案。
總體而言，ALBSA在傳統BSA的基礎上，通過引入自适應控制參數、新的變異策略和多群策略，提高了算法的自适應性、優化能力和可搜索性。這些優勢使ALBSA在解決各種優化問題方面具有更大的應用潛力和有效性。
WiMi的ALBSA旨在優化BSA。ALBSA通過設計自适應控制參數和新的變異策略來優化搜索步長和優化能力，并實施多個群策略來增強對不同搜索區域的搜索能力。ALBSA的技術框架如下：
初始化：初始化種群和個體，并設置控制參數的初始值。設置算法的其他參數，例如最大疊代次數、種群大小等。
群信息更新：在每次疊代中，根據當前種群的适應度計算群的全局信息，例如平均适應度和最優适應度。群的局部信息是基于個體的适應度來計算的，例如，個體與其鄰居之間的相對适應度。
控制參數的自适應調整：在當前疊代中，根據群體的全局和局部信息自适應調整控制參數。調整控制參數可以改變單個搜索步長，以平衡算法的探索和開發能力。
新的變異策略：設計一種基于不同信息引導的變異策略，提高算法的優化能力。新的變異策略可以根據當前疊代中群體的全局和局部信息來确定變異的方向和幅度。
