北京，2023年9月27日/PRNewswire/-全球领先的全息增强现实（“AR”）技术提供商WiMi全息云股份有限公司（NASDAQ:WiMi）（“WiMi”或“公司”）今天宣布，提出了自适应学习回溯搜索算法（ALBSA），旨在通过引入自适应控制参数和新颖的突变策略来提高BSA的整体性能。自适应控制参数根据当前迭代中集群的全局和局部信息调整单个搜索步长，从而平衡探索和开发能力。新的变异策略基于不同的信息引导，根据群体的全局和局部信息引导变异操作，提高算法的优化能力。此外，多群策略的引入进一步增强了算法对不同搜索区域的适应性和搜索能力。
WiMi通过ALBSA改进了BSA，使其在优化问题上更具竞争力。ALBSA的目标是通过引入自适应性和灵活性，并充分利用全局和局部信息，提高搜索效率和解决方案的质量。实验表明，相对于传统的BSA和其他进化算法，ALBSA具有更好的性能，可以在现实世界的问题中更好地应用和有用。
WiMi提出的ALBSA与传统BSA相比具有以下优点：
适应性和灵活性：基于当前迭代中蜂群的全局和局部信息，设计了一个自适应控制参数来调整个体的搜索步长。这使得算法能够更好地平衡探索和开发能力，并适应不同问题的搜索需求。
优化能力增强：ALBSA引入了一种新的基于不同信息引导的变异策略，充分利用群体的全局和局部信息来指导变异操作。这增强了算法的优化能力，使其能够更有针对性地搜索潜在的解空间，提高了解的质量和收敛速度。
多群策略：ALBSA实现了多群策略，即同时维护多个群，每个群可以独立搜索特定的搜索区域。这增强了算法搜索不同搜索区域的能力，从而更全面地探索解空间，增加了找到全局最优解的概率。
竞争性和有效性：实验结果表明，与传统的BSA和其他优化算法相比，ALBSA在解决优化问题方面具有竞争力和有效性。它能够找到性能更好、收敛速度更快、搜索效率更高的解决方案。
总体而言，ALBSA在传统BSA的基础上，通过引入自适应控制参数、新的变异策略和多群策略，提高了算法的自适应性、优化能力和可搜索性。这些优势使ALBSA在解决各种优化问题方面具有更大的应用潜力和有效性。
WiMi的ALBSA旨在优化BSA。ALBSA通过设计自适应控制参数和新的变异策略来优化搜索步长和优化能力，并实施多个群策略来增强对不同搜索区域的搜索能力。ALBSA的技术框架如下：
初始化：初始化种群和个体，并设置控制参数的初始值。设置算法的其他参数，例如最大迭代次数、种群大小等。
群信息更新：在每次迭代中，根据当前种群的适应度计算群的全局信息，例如平均适应度和最优适应度。群的局部信息是基于个体的适应度来计算的，例如，个体与其邻居之间的相对适应度。
控制参数的自适应调整：在当前迭代中，根据群体的全局和局部信息自适应调整控制参数。调整控制参数可以改变单个搜索步长，以平衡算法的探索和开发能力。
新的变异策略：设计一种基于不同信息引导的变异策略，提高算法的优化能力。新的变异策略可以根据当前迭代中群体的全局和局部信息来确定变异的方向和幅度。
