多策略融合的星鸦优化算法OA

针对星鸦优化算法(NOA)存在的初始种群分布不均、勘探与开发不平衡及搜索效率不足等问题,文中提出一种多策略融合的星鸦优化算法(MSNOA)。首先,采用拉丁超立方体采样方法替代随机初始化策略,通过分层概率采样提升初始种群的空间覆盖性与多样性,为后续优化奠定高质量解集基础;其次,基于三支决策理论对种群进行动态分层,将个体划分为精英组、平衡组和探索组,分别执行局部开发、混合策略和全局勘探,以优化资源分配并缓解搜索方向的单一性;最后,设计动态精英反向学习策略,结合精英个体质心与随机权重因子构建多尺度反向搜索区域,通过定向扩展搜索范围和动态调整搜索半径,显著提升搜索效率并平衡全局探索与局部开发能力。实验结果表明,MSNOA相较于NOA,在CEC2017(D=50)基准函数上实现了性能提升,最高提升超过85%。消融实验和Wilcoxon秩和检验证实了改进策略的有效性和统计显著性。将所提算法应用到压力容器和拉/压弹簧设计问题上,进一步验证改进策略的有效性及算法的工程实用性。