说到优化算法很多人第一反应是遗传算法GA或者粒子群PSO但近几年的元启发式算法里有一个思路特别清奇的家伙值得关注——阿基米德优化算法Archimedes Optimization Algorithm简称AOA。这名字听着像物理课本实际上它确实是从浮力原理里抽象出来的全局优化算法2020年才被正式提出算是一个比较新的智能优化方法。我当时第一次看到这个算法第一反应是“这也能做成优化器”但等我把它的数学机制拆开发现里面的密度、体积、加速度这几个物理量映射到搜索过程之后思路是真的巧妙。这篇文章我不准备给你抄论文式地罗列公式而是从“为什么这么设计”“实际跑起来会遇到什么问题”“参数怎么调”这几个角度把它讲透。适合正在调研优化算法、准备做实验对比或者想把AOA用到工程项目里的读者。1. 从浮力原理到搜索策略AOA的核心逻辑1.1 浮力原理和优化问题有什么关系先回顾一下阿基米德原理的基本表述物体浸在流体中时会受到一个向上的浮力大小等于它排开流体的重力。即 F ρgV其中 ρ 是流体密度V 是排开流体的体积。物体是浮是沉取决于它自身密度和流体密度的相对大小。AOA的设计者从这个现象里提取了三个核心物理量密度den、体积vol、加速度acc然后把每一个候选解的搜索行为建模成物体在流体中的运动过程。听起来抽象但你可以这么理解每个解就是一个小球它在一个多维搜索空间里“漂浮”或“下沉”密度大就倾向于向下探索局部开发密度小就倾向于向周围扩散全局勘探。整个寻优过程就是一群不同密度、不同体积的小球在浮力驱动下不断重新分布最终汇聚到“浮力平衡”的位置——也就是全局最优解附近。1.2 为什么不选浮力本身而选密度和体积作为控制变量这是AOA设计上最精妙的地方。如果直接用浮力作为更新依据那么 F 实际上是 ρ、g、V 三者的乘积信息会被压缩成一个标量丢失了“这物体到底是密度大还是体积大”的区分度。但AOA把密度和体积分成两个独立的变量来维护这就相当于在搜索过程中同时保留了方向偏好和范围偏好两个维度。举个例子同样一个粒子密度大、体积小它更倾向于在一个狭窄区域内做精细搜索密度小、体积大就更容易被周围“流体推着走”探索更大的空间。这种分开建模的思路让算法在勘探和开发之间的平衡多了一个调节旋钮比很多只用单一速度或单一概率的算法更灵活。1.3 AOA的定位它到底解决什么问题AOA属于无梯度全局优化算法也就是说它对目标函数没有任何要求不需要计算导数不需要知道函数的解析形式只要你能给出一组解对应的适应度值它就能跑。这决定了它的典型应用场景目标函数非凸、多峰、存在大量局部极值。目标函数是黑箱比如仿真软件输出、实验数据拟合。设计变量既有连续量又有离散量如混合整数规划问题。计算开销主要花在函数评估上而不是算法本身。我自己实际测试过AOA在连续无约束基准函数上的表现尤其是CEC系列测试函数里的一些多峰函数收敛速度和最终精度都相当能打。而且它的控制参数比较少标准版核心参数就四个常量调参难度远低于需要大量经验参数的算法这对工程落地是很大的优势。2. 数学建模与算法机制拆解2.1 初始化种群、密度、体积、加速度标准AOA的初始化过程和大多数元启发式算法类似设置种群规模 N问题维度 dim最大迭代次数 T然后在搜索空间内随机生成初始位置。不同的是每个个体除了位置 X 之外还额外初始化三个属性密度 den在0, 1]区间内随机取值控制该个体对局部区域的粘滞程度。体积 vol同样在0, 1]区间内随机取值控制该个体的影响范围。加速度 acc初始加速度根据目标函数值归一化后计算相当于给每个个体一个初始的速度变化率。为什么要给每个物体都配一组独立的密度、体积和加速度而不是全局共享一个这是为了让种群天然具有异质性。如果所有个体都共享相同的物理参数那它们在搜索空间里的行为就会趋于一致很容易同步陷入同一个局部区域。各自带参相当于让种群在初始阶段就具备分化条件一部分个体负责大步探索一部分个体负责在小范围内精雕细琢这个设计在应对多峰问题时尤其重要。2.2 转移算子怎么判定当前应该勘探还是开发任何优化算法都面临一个核心矛盾前期要尽量广撒网勘探后期要尽量精准打击开发。AOA用了一个随时间衰减的转移因子 TF 来控制这个阶段切换。公式是TF exp(-(t / T))其中 t 是当前迭代次数T 是最大迭代次数。TF 在初始阶段接近 1后期逐渐减小到接近 0。当 TF ≤ 0.5 时算法进入勘探阶段当 TF 0.5 时进入开发阶段。这个设计说白了就是一个软切换不需要手动设置阶段切换点算法自动按迭代进度分配前期的探索时间和后期的精细搜索时间。我还想强调一点TF 这个指数衰减形式本身有讲究。如果用线性衰减容易出现前后期分配不均的问题指数衰减的好处是前期衰减较快让算法能比较早地从全局勘探切换到局部精搜而在接近后期时变化变缓留出足够时间让种群在最优区域充分细化。2.3 勘探阶段和开发阶段的更新公式勘探阶段也就是 TF ≤ 0.5 时个体需要大范围移动去探索新的区域。此时密度和体积保持不变加速度按下式计算acc (den_rand vol_rand) / (den × vol)这里 den_rand 和 vol_rand 是从种群中随机选一个个体的密度和体积值。这个公式的物理含义是随机物体对当前个体产生的碰撞效应越大加速度越大位置更新幅度也越大实现全局搜索。位置更新为X_new X_old C1 × acc × rand × (X_best - X_old)其中 C1 是常量标准论文里取值为 2rand 是0,1之间的随机数X_best 是当前全局最优位置。可以看到勘探阶段个体依然是朝向最优解的同时叠加了较大的扰动保证不会飞太偏。开发阶段也就是 TF 0.5 时算法需要更精细地收敛。此时密度和体积都会更新公式为den_new den_old C2 × rand × (den_best - den_old) vol_new vol_old C2 × rand × (vol_best - vol_old)C2 在论文中取值为 6这里密度和体积向最优个体的方向靠近意味着个体的搜索范围在缩小。接下来归一化加速度用目标函数值和最大最小适应度值之间的关系加权然后位置更新为X_new X_old C3 × acc_norm × rand × (TF × X_best - X_old)其中 C3 2。这里注意开发阶段的步长由 TF 控制TF 越小步长越小后期收敛越精细。两组公式的差异你对比着看就很清楚了勘探阶段所有的随机项都在放大扰动开发阶段所有系数都在缩小步长。这个思路不复杂但是物理含义自洽跑起来的效果也验证了设计的有效性。2.4 一个具体数值来理解算法行为假设一个简单的二维球函数 f(x, y) x² y²最小值在原点。种群规模设 20初始个体 A 的位置是 (5, 8)密度 0.7体积 0.3全局最优 X_best 当前是 (2, 3)。前几次迭代TF 接近 1假设 TF 0.5个体进入开发阶段。密度和体积先向最优个体靠拢然后位置更新X_new X_old C3 × acc_norm × rand × (TF × X_best - X_old)。因为 acc_norm 是归一化后的加速度值通常在 0 到 1 之间乘上 TF接近 1后整个修正项大约是当前位置到最优位置距离的比例多次迭代后个体逐步逼近原点。如果换成勘探阶段位置更新项是 C1 × acc × rand × (X_best - X_old)其中 acc 可能因为随机对象的体积密度组合放大到很大的值C1 又取了 2所以即使用户个体视朝向最优方向也可能一步跳得很远甚至越过最优解再探索远处区域。这就是为什么AOA前期不容易被困在小区域内——它的勘探阶段步长天生就是“大跃迁”式的。3. 实操环节参数设置与代码实现3.1 标准AOA的参数推荐与调整逻辑标准AOA需要设置的参数其实很少参数标准值作用调整建议种群规模 N30~50种群多样性基础函数维度高、评估代价低时调大评估代价高时调小C12勘探阶段步长系数增大则全局搜索更激进容易飞出边界需配合边界处理C26密度体积更新速度增大则个体更快向最优靠拢但可能过早收敛C32开发阶段步长系数减小则后期收敛更慢但更精细C40.5方向调节因子用于控制位置更新的符号方向一般不调整影响不大最大迭代 T根据问题复杂度控制算法总预算看收敛曲线连续多次无改善时可提前终止从我实测的经验来看C2 是最敏感的参数。C2 取太小密度和体积更新慢个体无法快速向最优区域聚拢收敛速度拖慢C2 取太大个体过早全部挤在一起种群多样性快速下降容易陷在局部极值出不来。标准论文给 6 是一个折中值但如果你发现算法前期就在某个局部区域走不动尝试把 C2 降到 4 左右如果算法一直散漫不收敛可以适当提高到 8。种群规模的设置要注意一个问题AOA每一步都是先更新密度体积再更新位置不涉及复杂的种群交互所以 N 从 20 到 100 的计算开销差别其实不大真正昂贵的是目标函数的评估次数。评估函数越贵种群规模越要往小压比如 N20配合增大迭代次数。3.2 核心代码实现Python版本示意下面给出一个标准AOA的Python伪代码实现核心逻辑已经完整你可以直接在自己的项目里改目标函数和边界跑通整个流程。import numpy as np def objective_function(x): # 示例Sphere函数可根据实际问题替换 return np.sum(x**2) def AOA(N30, dim10, lb-100, ub100, max_iter500, C12, C26, C32, C40.5): # 初始化种群位置和物理属性 lb np.array(lb) if isinstance(lb, list) else np.full(dim, lb) ub np.array(ub) if isinstance(ub, list) else np.full(dim, ub) X np.random.uniform(lb, ub, (N, dim)) den np.random.random((N, 1)) vol np.random.random((N, 1)) fitness np.array([objective_function(x) for x in X]) best_idx np.argmin(fitness) X_best X[best_idx].copy() best_fitness fitness[best_idx] acc np.zeros((N, 1)) # 初始加速度用适应度归一化计算 f_min np.min(fitness) f_max np.max(fitness) for i in range(N): if f_max ! f_min: acc[i] 0.1 0.9 * (fitness[i] - f_min) / (f_max - f_min) else: acc[i] 0.5 for t in range(max_iter): TF np.exp(-(t / max_iter)) # 更新密度和体积开发阶段的公共步骤 if TF 0.5: for i in range(N): den[i] den[i] C2 * np.random.random() * (den[best_idx] - den[i]) vol[i] vol[i] C2 * np.random.random() * (vol[best_idx] - vol[i]) for i in range(N): if TF 0.5: # 勘探阶段使用随机个体的密度体积计算加速度 rand_idx np.random.randint(N) acc_new (den[rand_idx] vol[rand_idx]) / (den[i] * vol[i] 1e-10) X_new X[i] C1 * acc_new * np.random.random() * (X_best - X[i]) else: # 开发阶段更新加速度并归一化 f_i objective_function(X[i]) f_min np.min(fitness) f_max np.max(fitness) acc_new (f_i - f_min) / (f_max - f_min 1e-10) 0.5 X_new X[i] C3 * acc_new * np.random.random() * (TF * X_best - X[i]) # 边界处理 X_new np.clip(X_new, lb, ub) X[i] X_new fitness[i] objective_function(X[i]) # 更新全局最优 if fitness[i] best_fitness: best_fitness fitness[i] X_best X[i].copy() best_idx i # 强行把当前最优个体的物理属性设为全局最优属性引导种群 den np.ones_like(den) * den[best_idx] if False else den vol np.ones_like(vol) * vol[best_idx] if False else vol return X_best, best_fitness if __name__ __main__: best_solution, best_fitness AOA(dim30, lb-100, ub100, max_iter1000) print(最优解, best_solution) print(最优适应度, best_fitness)这段代码有几个细节我特意做了处理密度和体积初始值用0,1均匀分布避免出现零值导致除零错误。开发阶段的加速度归一化公式加了 0.5 偏置这是为了不让加速度出现负值或零值保证运动方向始终有前进分量。边界处理直接用 np.clip 截断简单有效。这个问题下面还会细说。3.3 实操中的迭代调试策略拿到这段代码第一件要做的不是直接优化你的业务目标而是先跑几个已知最优解的基准函数验证算法是否正确实现。我建议按以下顺序测试先用 Sphere 函数验证收敛性理论上经过足够迭代后最优适应度应该能降到 1e-10 量级。再用 Rastrigin 函数验证多峰下的逃逸能力Rastrigin 有大量局部极值点如果算法陷入局部极值说明勘探能力不足。最后换 Ackley 函数测试它有一个狭窄的全局谷底可以检验开发阶段的精细搜索能力。如果三个测试都表现正常说明你的代码实现没有大问题这时再换到实际的目标函数。我见过不少人上来就跑真实业务结果半天调不好最后发现是代码里的维度对不上或者归一化写错了浪费时间。4. 常见问题与排查技巧实录4.1 早熟收敛算法还没跑完就已经停在一个局部区域这是AOA最常遇到的问题表现为适应度曲线在迭代中期就变得非常平缓几乎不再下降。排查思路按优先级排序第一检查 C2 是否过大。C2 控制密度和体积向最优个体靠拢的速度如果这个速度太快种群在几十轮内就全部塌缩到同一个区域异质性丧失勘探能力基本没了。把 C2 从 6 降到 4 或者 3往往能明显改善。第二检查初始种群的覆盖范围。如果初始位置只在搜索空间的一小部分区域内种群天生就没有全局视野。这时可以用反向学习opposition-based learning生成初始种群让初始解既包含随机点也包含随机点的反向点覆盖面更大。第三判断是否是转移因子切换过早。TF exp(-(t/T)) 在迭代中期就降到 0.5 以下意味着全局搜索的有效时间窗口其实不到一半。如果问题特别多峰可以考虑把 TF 的表达式改成 TF exp(-(t/T)^2)让前期勘探窗口拉长。我个人的经验是八成早熟问题都是 C2 设置不当引起的调参数优先动 C2不要一上来就改复杂的变体结构。4.2 参数敏感性高不同问题效果差异巨大AOA对参数的敏感性比PSO略高但远低于一些需要大量调参的算法比如人工蜂群算法的几个控制参数。如果你做实验需要跑很多个问题建议大家用“小规模参数扫描”的方式来定位合适的参数范围。具体做法是固定问题分别对 C1、C2、C3 各取 3~5 个不同值跑 20 次取平均值画一张热力图看最优适应度的分布。这样你对算法在当前问题上的脾气就一清二楚。不要凭感觉调参元启发式算法的参数交互非常复杂AB的各最优组合并不等于A、B分别最优这是大家最容易犯的调参错误。另一个判断参数是否合适的快速指标是看种群密度的方差变化。如果方差快速衰减到接近 0说明种群已经失去多样性如果方差一直在高位震荡说明算法始终在跳来跳去不收敛。理想的曲线是前期方差缓慢下降后期加速下降最后稳定在一个很小的值附近。4.3 位置更新飞出边界怎么办AOA的勘探阶段加速度可能非常大位置更新一步就可能跳出搜索边界。常见的处理方式有三种截断法直接把越界的坐标值拉回到边界上。实现简单但可能造成大量种群个体挤在边界上影响多样性。随机重置法越界维度重新在边界内随机初始化。多样性好但可能引入比较大的随机振荡收敛速度受影响。反射法把越界的坐标按边界做镜像反射模拟物体碰到容器壁反弹的物理过程。AOA本身就是物理仿真算法反射法在物理语义上最自洽。我这里推荐一个混合策略对越界个体先计算在当前维度上离哪个边界更近如果离边界较近就采用截断如果飞出距离较远就采用反射。这样既不损失太多的边界区域信息又保持了对整个搜索空间的覆盖能力。4.4 离散优化问题怎么适配AOA标准版面向连续变量但实际工程里经常遇到离散决策变量比如设备选型、路径节点选择、整数规划中的整数变量。最常用的适配方法是取整映射先按连续搜索跑每次评估前对位置向量做取整处理把实数投影到最近的离散值。取整操作的问题是会产生大量重复的整数值种群实际有效多样性下降。我的建议是在取整后加一个小的随机扰动对几个维度做概率性微调让种群在离散值之间仍有探索能力避免所有个体都卡在同一个整数组合里。5. AOA的改进变体与扩展场景5.1 主要改进派系CAOA、BAOA、IAOAAOA虽然提出时间不长但改进方向已经形成了几条清晰的路线我按派系整理如下变体名称改进核心适用场景CAOAChaotic AOA引入混沌映射替代均匀随机数让参数序列具有更好的遍历性目标函数极不平滑、大量局部极值的情况BAOABinary AOA将连续位置映射到二值空间适配特征选择问题特征选择、二值分类器参数优化IAOAImproved AOA引入差分进化或高斯变异作为扰动算子提升后期逃逸能力高维问题维度 30和组合优化Weighted AOA对密度和体积的更新加权改善种群收敛速度计算预算有限、需要快速出结果的任务最有效且实现成本最低的改进是 CAOA 方向因为只需要把 rand 换成 Logistic 混沌序列代码改动不超过三行但往往能带来稳定的精度提升。我个人实测在 Rastrigin 函数上效果提升尤其明显原因在于 Rastrigin 的局部极值分布比较规律均匀随机数容易在局部区域内反复踩坑而混沌序列的遍历性可以让探针更均匀地覆盖不同局部区域。5.2 混合策略把AOA和其他算法配对混合是元启发式算法改进的主流思路。AOA的可混合性其实很不错因为它内部的三个物理量可以很自然地引入其他算法的算子作为“外力”。我自己试过几条路线效果比较突出的是AOA 差分进化在开发阶段以一定概率用DE的变异算子替代AOA的位置更新提高种群多样性。DE的尺度因子 F 可以取 0.5交叉率 CR 取 0.3介入概率取 0.2。AOA 灰狼优化GWOGWO的“头狼指导”机制是让三个最优个体共同引导位置更新而AOA只用单个全局最优引导。把这个机制引入AOA可以避免单个最优给出的错误方向把整个种群带偏。AOA 局部搜索如单纯形法每隔固定迭代次数对当前最优解做一轮局部精细搜索。这个组合对于计算预算充足的场景非常有效收敛精度提升明显。混合策略需要警惕的问题是引入的参数太多导致算法回到“调参地狱”。我自己的原则是混合引入的参数数量不超过两个且最好每个参数都有明确的物理或数学含义否则不要用。5.3 应用场景AOA能用在哪些实际领域AOA已经在学术层面被应用到不少方向我挑几个比较有代表性的工程结构优化如桁架结构重量最小化问题设计变量是各杆件的截面尺寸AOA在满足应力约束的前提下寻找最小重量方案。机器学习超参数优化SVM 的惩罚系数 C 和核参数 γ、神经网络的学习率和批大小这些都适合用AOA去搜索。路径规划与调度无人机航迹规划、物流配送路径规划连续变量和离散变量并存AOA的物理更新机制可以自然地处理路径点的连续坐标。图像处理阈值分割把图像灰度直方图的多阈值分割问题建模成多峰优化问题用AOA找最优阈值组合。这些场景的共同规律是目标函数单次评估的计算开销高无法穷举或暴力扫描所以“评估次数少、全局搜得准”的优化器就成了刚需。6. AOA与主流优化算法的对比与选型建议6.1 横向对比和PSO、GA、GWO的差异用一张表可以直观地看懂AOA和其他算法的本质区别算法核心机制主要控制参数勘探/开发平衡方式典型优势PSO速度更新 个体/全局最优引导惯性权重 w、c1、c2惯性权重衰减实现简单收敛快GA选择、交叉、变异交叉率、变异率、选择压力交叉/变异概率调整强全局搜索能力GWO狼群等级 包围猎物无太多关键参数包围系数随机波动参数少稳定性好AOA密度/体积/加速度物理模拟C1、C2、C3转移因子TF指数衰减机制自洽参数少多峰逃逸强在我跑过的基准测试中AOA在低维函数上dim ≤ 20的收敛精度通常优于PSO接近GA的全局搜索能力在高维函数上dim ≥ 50AOA的后期收敛速度会下降这时候结合混合策略会更稳。GWO的参数更少但在极度多峰的问题上AOA的勘探阶段步长更大的特性有明显的优势。6.2 什么时候选AOA什么时候不要选这是我最想强调的部分。AOA不是万能的它的优势场景非常明确适合选AOA的情况目标函数评估代价高、希望用较少的评估次数获得满意解问题多峰明显、容易陷入局部极值你希望算法参数尽量少不想花大量时间调参。不建议选AOA的情况目标函数本身是凸函数或光滑单峰函数此时传统梯度法或单纯形法效率更高完全没有必要用元启发式超大规模高维连续优化超过 100 维AOA的后期收敛速度会明显劣化优先考虑CMA-ES这类专门针对高维的算法实时性要求极高的在线优化任务AOA每次迭代要评估整个种群计算开销不小不适合纯在线场景。6.3 选型时的一票否决条件还有一个容易踩坑的地方就是目标函数的评估时间极不均匀的情况。比如你的目标函数在90%的参数组合下评估很快在10%的组合下会触发非常耗时的子程序整体运行时间方差极大。AOA对种群整体迭代的特性会导致每轮的墙钟时间取决于最慢的那个个体整个流程效率大打折扣。这种情况建议先对函数做预处理或者改用异步评估的优化框架而不是硬套AOA。7. 用AOA时我还想补充的几个实操心得上面把AOA的原理、实现、变体和选型都讲了一遍最后说几个我在实际项目中总结的零碎经验算是给准备上手的朋友一些额外提醒。第一个心得是跑AOA之前一定要做边界和极端值检查。因为勘探阶段的加速度数值可能非常大位置更新后不仅可能飞出边界还可能产生 NaN 或无穷值。我给代码里加了 np.clip 还不够建议额外加一步如果发现某个个体的适应度是 NaN直接把它重置到搜索空间中心区域附近的随机位置避免污染全局最优的更新。第二个心得AOA的随机性来源比较单一纯靠随机数驱动在多轮独立重复实验中结果方差可能比较大。如果你要做论文实验或者严谨的对比测试建议每轮至少跑 30 次以上取统计结果不要只看单次运行的偶然表现。第三个心得如果项目对结果可复现性有要求比如企业项目需要审计要给随机种子单独留一个配置项并把每次迭代的全局最优轨迹记录下来。AOA本身的物理属性没有太多记忆性但配合轨迹记录调试和汇报都方便很多。第四个心得AOA的单轮计算量不大如果你有多核机器最简单的加速方式就是对种群做并行评估。Python 里用 multiprocessing.Pool 或者 joblib 的 Parallel 包把目标函数评估分发到多核在种群规模 50、评估函数耗时大于 1 毫秒的场景下加速比几乎线性。这一步做不做对跑大型实验的体验差异是天壤之别。我个人的体会是AOA最大的价值不是取代现有算法而是在“物理原理设计 参数少 多峰搜索能力强”这个组合点上给了工程应用一个很轻量的新选择。如果你正在找一个 20 维以下、多峰明显、评估函数贵的问题的优化工具真的可以用它先试一轮大概率会有惊喜。