【2025年10月一区SCI】改进策略：Trend-Aware Mechanism 趋势感知机制（TAM）-附Matlab免费代码

引言

根据"没有免费的午餐"，没有一个单一的群体智能优化算法可以解决所有的优化问题，每一个群体智能优化算法都有局限性和限制。所以很多学者根据自身的专业问题需求，对基础优化算法进行了改进和提升，以期获得更为优秀的性能。那么你在尝试改进算法性能时，经常会遇到：

改进没思路？

难度大？

代码复杂？

效率低？

bug多？

调试难？

本期分享另一个2025年10月最新改进策略--Trend-Aware Mechanism 趋势感知机制（TAM），该成果发表在著名SCI期刊 Applied Soft Computing （JCR1区，中科院2023年1区，2025年2区）。TAM是一个即插即用策略，无论老手还是新手，仅需粘贴复制，一行代码让你轻松改进所有优化算法。代码简单，清晰，集成度高，彻底告别上述改进没思路，难度大，bug多，调试难的各种困境。真效率之王！

数学建模

TAM机制利用历史搜索位置和适合度信息将趋势意识整合到搜索过程中。TAM通过分析先前迭代中种群的搜索轨迹来优化个体位置更新。此外，自适应协方差机制生成了结合随机性和稳定性的高维趋势向量，促进了更智能的更新策略。

这种更新机制依赖于两个历史矩阵：历史搜索位置矩阵search_history和适应度矩阵fitness_history。search_history是一个大小的三维矩阵(𝑁,𝑀𝑎𝑥_𝑖𝑡𝑒𝑟, 𝑑𝑖𝑚)，表示𝑁个个体在𝑑𝑖𝑚维问题经过在𝑀𝑎𝑥_𝑖𝑡𝑒𝑟次迭代。fitness_history是一个大小的二维矩阵(𝑁,𝑀𝑎𝑥_𝑖𝑡𝑒𝑟)。更新机制包括以下步骤：

迭代约束：该机制仅在迭代次数i >𝑛时激活，确保至少有𝑛代历史数据可用于趋势估计。
趋势点计算：通过连接上次迭代的搜索位置（𝚜𝚎𝚊𝚛𝚌𝚑_𝚑𝚒𝚜𝚝𝚘𝚛𝚢）来构造一条直线

(𝑗,𝑖−1,∶),与前面的迭代,𝚜𝚎𝚊𝚛𝚌𝚑_𝚑𝚒𝚜𝚝𝚘𝚛𝚢(𝑗,𝑖−2,∶)。从历史数据中确定离这条线最近的𝐾点，并将选择限制在第一个𝑛最近的搜索中，以尽量减少计算。

向量生成：计算指向历史位置的向量𝐕，并使用自适应协方差机制生成随机向量𝐕'。
适应度比较与更新：将𝐾最近点的适应度值与当前位置和历史位置的适应度值进行比较，确定算法更新的方向'。

距离计算：

构造直线的参数方程，通过计算直线的距离来确定直线的最近点。让P代表搜索历史中的一个点，并且从P到该线的距离𝑑可以使用以下公式计算

自适应协方差机制

在高维空间中，随机生成的偏移向量会显著影响搜索效率，因为这些空间的复杂性增加了平衡探索和利用的挑战。如果不自适应调整这些偏移量的方向和大小，算法可能会由于过度探索或过早收敛到局部最优而效率低下。为了解决这个问题，提出的机制结合了一种基于协方差的自适应方法，该方法根据当前的分布调整偏移向量𝐕'。

首先，向量𝐕指向历史位置的方向，计算如下：

自适应协方差机制用于生成高维向量𝐕'，协方差矩阵𝛴是基于当前位置计算的种群比例

以𝐕作为方向参考，随机矢量𝑍沿着𝐕的方向被引导，得到偏移矢量𝐕'。

其中，时延α和时延β是用来平衡历史趋势和随机探索的权重

为确保𝐕'的大小等于𝐕，将𝐕'归一化如下：

自适应比较与更新

在𝐾最近点中，𝑖th点对应的适应度值为𝑓i，并与𝚜𝚎𝚊𝚛𝚌𝚑_𝚑𝚒𝚜𝚝𝚘𝚛𝚢(𝑗,𝑖−1,∶)和𝚜𝚎𝚊𝚛𝚌𝚑_𝚑𝚒𝚜𝚝𝚘𝚛𝚢(𝑗,𝑖−2,∶)的适应度值进行比较。执行如下

如果∑Fi<0，则表明较高的适应度值很可能位于两点之间。更新策略为：

如果∑Fi>0，则表明两个点之间存在较差的适应度值，则更新策略为

TAM图形化解释：

伪代码：

将TAM与四种著名的元启发式算法（PSO、SHADE、JaDE和CMA-ES）集成，并进行了广泛的参数敏感性分析，以确保鲁棒性。跨五个性能指标的比较评估表明，TAM显著提高了搜索效率，并始终在标准基准函数上获得优越的结果。并通过工程设计、特征选择、光伏模型参数提取等实际问题验证TAM的实用性。

参考文献

Lian, Junbo Jacob, et al. "Trend-Aware Mechanism for Metaheuristic Algorithms." Applied Soft Computing, vol. 182, Oct. 2025, p. 113505, https://doi.org/10.1016/j.asoc.2025.113505.