Page 209 - 《爆炸与冲击》2026年第6期

第 46 卷 闫凯波，等： 基于机器学习的新型多胞梯度结构设计与优化 第 6 期

程应用，且可与 SVM 代理模型高效联动，满足优化过程中频繁的性能评估需求。在此基础上，本文采用
分阶段、分任务的算法组合策略：利用 CPO 算法实现 SVM 超参数的低维单目标优化，依托其收敛速度
快、寻优精度高的优势，保证模型超参数调节的效率与准确性；利用 MOCOA 算法完成结构参数的高维
多目标优化，凭借其帕累托解集均匀、鲁棒性优异的特点，实现多目标最优解的高效搜索。该组合方式
可避免单一算法在跨维度优化中难以兼顾不同性能要求、易产生性能折中等问题，使各优化阶段与算法
特性精准匹配，提升整体优化效果与可靠性。

COA 主要包括两个阶段，分别为模仿浣熊群对鬣蜥蜴捕猎过程的探索阶段和模拟浣熊群逃脱捕食
者追捕过程的开发阶段。探索阶段在浣熊群进行捕猎时，整个群体分工明确，具备良好的团体配合与攻
击策略。假设一只鬣蜥蜴正在树上休息，此时一个浣熊群打算对该鬣蜥蜴进行猎杀。首先一半的浣熊
开始悄悄爬上树梢，逼迫鬣蜥蜴掉落地上。上树过程可以表示为：
P1
P1
x : x = x i, j +r(y j − Ix i,j ) i = 1,2,··· ,[N/2], j = 1,2,··· ,m (6)
i,j
i
式中：P1 为探索阶段，y 为鬣蜥蜴的位置信息，r 为属于［0,1］的常数，I 为集合{1,2}中的随机整数，x 为
浣熊个体位置，N 是种群规模（浣熊数量），m 为决策变量的维度（优化问题的变量个数）， x P1 为探索阶段
i
中第 i 只浣熊的位置向量， x P1 为探索阶段中第 i 只浣熊在第 j 维决策变量上的具体取值。假设鬣蜥蜴落
i,j
地位置具有随机性，落地后另一半浣熊开始朝猎物移动，进行围捕猎杀。这一过程可描述为：
G
G
y : y = l j +r(u j −l j ) j = 1,2,··· ,m (7)
j
ß
G
x i,j +r ×(y − Ix i,j ) F y G＜F i
P1
P1
X : X = j G
i
i,j
x i,j +r ×(x i,j −y ) F y G≥F i
j
i = [N/2]+1,[N/2]+2,··· ,N, j = 1,2,··· ,m (8)
y G 为鬣蜥蜴落地后的位置，u、l 分别为决策空间（优化问题中所有合法候选解构成的集合）上界和
式中：
下界，X 为浣熊种群（种群 X 是一个 N × m 的矩阵）， F y G 为第 G 代迭代中鬣蜥蜴位置 y G 对应的目标函数
F i 为第 i 只浣熊（第 i 个候选解）当前位置对应的目标函数值。
值，
开发阶段中浣熊在遇到捕食者时，会迅速离开当前位置完成撤离，这一过程可以描述为：
l local = l j /t, u local = u j /t t = 1,2,··· ,T (9)
j
j
P2
P2
X : X = x i,j +(1−2r)[l local +r(u local −l local )] i = 1,2,··· ,N, j = 1,2,··· ,m (10)
i i,j j j j
式中：t 为当前迭代次数，T 为最大迭代次数， X i P2 为开发阶段中第 i 只浣熊的位置向量， X P2 为 X P2 的第 j 维
i
i,j
u local 为第 l local 为第 j 维决策变量的局部下界。每个阶段的浣熊位置更
分量， j j 维决策变量的局部上界。 j
新后都需要进行检查，以确保更新是有效的，检查方式如下：
®
P1,P2 P1,P2
X i F i ＜F i
x i = (11)
other
X i
X i 为第 P1,P2 为第 i 只浣熊经过探索阶段或开发阶段更新后的新位置，
式中： i 只浣熊更新前的原始位置， X i
P1,P2 为第 P1,P2 对应的目标函数。
F i i 只浣熊更新后的位置 X i
与单目标优化不同，多目标优化算法的最优解不再是一个解而是一组帕累托解集，也就是说同一时
间鬣蜥蜴不再是一只而是一个群体。引入 NSGA-II [38] 中的快速非支配排序与拥挤度距离计算方法，
首先对种群所有个体进行两阶段的更新，更新后的浣熊称为子代个体，更新前的浣熊成为父代个体。
对所有父代与子代个体一同进行快速非支配排序，并确定各等级下的非支配前沿 Q c （c=1，2，···，K）， Q c
为一个个体集合，包含所有属于第 c 级非支配解的浣熊个体，c 为非支配前沿的等级编号，K 为当前种
Q c 中每只浣熊的拥挤度距离。最后选出新的种群，选择过程
群中所有非支配前沿的总数量。然后计算
如下：

061442-10