2026年3月中科院一区SCI-赏金猎人优化算法Bounty Hunter Optimizer-附Matlab免费代码

引言

近年来，在合理框架内求解优化问题的元启发式算法的发展引起了全球科学界的极大关注。本期介绍一种新的创新算法------赏金猎人优化算法Bounty Hunter Optimizer，BHO。该算法于2026年3月最新发表 在 JCR 1区，中科院1区期刊 Knowledge-Based Systems 。

BHO的灵感来自赏金猎人组织的追求过程------情报收集、任务部署、协作分工和捕获。为了避免均值驱动算法中常见的中心偏差和总体崩溃，BHO遵循三个核心原则：

1）分散更新，利用局部差异和随机干扰，而不是均值算子。

2）结构化多样性维护，采用固定层验收防止同质化。

3）可调节的选择压力，使用平滑的概率更新来减轻离散轮盘选择中固有的高方差。

过采样初始化（情报收集）：受赏金猎人组织的信息收集阶段的启发，BHO从一个过采样初始化步骤开始，旨在提供广泛覆盖的可行搜索空间。生成一个过采样的候选池（例如，样本）在可行范围内，并按如下方式构造。

基于聚类的代表性选择和分组（任务部署）：在生成过采样候选集后，我们选择一个具有代表性且分散良好的初始总体，以避免在搜索空间的同一局部区域进行冗余初始化。由于所有的候选样本在评估前都是先验的，因此直接使用随机样本可能会导致多个个体在高度相似的邻域中初始化。为了获得多样化和结构化的初始化，我们对过采样集应用K-means聚类。

自适应操作员调度（协同分工）：每个个体根据其在子组中的相对贡献/排名自适应地选择其搜索算子。直观上，性能较好的个体专注于对其邻域的开发（局部优化），而性能较差的个体则强调探索，以扩大搜索范围并减少在没有前景的区域的冗余努力。为了在线索丰富时加强挖掘，在进展停滞时增加探索模式猎人的比例，本文采用自反馈机制进行更新，用以下公式修正

score表示当前猎人的更新结果，正分数表示性能改进，而负分数表示停滞或退化。下面的等式描述了分数更新过程

彻底调查：分配到剥削模式的个体对应于种群/子群体中排名最高的成员。这些人通过利用三个最佳参考解决方案来更新他们的位置：当前全球最佳、子群体最佳和他们个人最佳。通过联合使用这些定义良好的参考目标，开发模式强调围绕高质量区域的局部细化，通常具有相对较小的有效步长。更新规则由

在深入调查阶段，适应参考权重（类似于粒子群学习因子）控制全局/子组/个人最佳参考的影响。在每个开发步骤中随机初始化，并在每个开发步骤后根据个体的改进幅度进行更新

粗略搜索。表现相对较差的个体（较低的贡献/等级）被分配到探索模式。在这种模式下，个体不依赖于明确的最佳参考目标；相反，它从其子组（或邻域）中随机采样一个参考解来指导粗搜索步骤。如果采样的参考比个体当前的解决方案产生更好的适应度，个体就向参考移动；否则，它会转向促进多元化。由于探索型个体缺乏强有力的目标指导，他们通常会使用更大的效果

Explorpolis规则。Explorpolis规则规定，如果精英集中没有解决方案同时在距离和适应度上优于该候选解决方案，则接受该候选解决方案。任意候选解与精英解之间的距离计算如下：

Explorpolis规则将线索按值降序排列，顺序允许未被消除的解决方案，并使用被允许的解决方案过滤后续候选方案。

强化和基于qprs的重新分配（捕获）：

猎人重新分配。当一个个体在多次迭代中始终排在其子组的底部附近时，这表明潜在的停滞或对当前搜索区域的不合适性。为了减少长时间的非生产性搜索并促进信息传递，该算法触发一个重新分配步骤，根据群体质量选择机制将个体重新定位到更有希望的子群体中。

量子概率旋转选择。在QPRS中，每个重分配组由一个由两个振幅常数组成的量子比特表示

，满足以下条件

该机制允许具有相同振幅常数的量子染色体在测量过程中产生不同的选择结果，从而赋予算法显著的灵活性和增强的信息处理能力。与传统的离散选择不同，QPRS保持连续的概率状态，通过小的旋转角度更新，可以在开采和勘探之间顺利过渡。

包围。随着更好的解决方案的积累，人们会将注意力集中在有希望的地区，并将搜索转向集约化。再分配机制进一步将工作转向高质量地区，加速了这一转变。

算法伪代码：

03. 对比验证

原文作者在CEC2017测试套件上的实验结果表明，BHO在30维和100维优化任务中都表现出色，显著优于11种先进的优化算法，其中包括4种竞赛级别的最先进变体。将BHO应用于多无人机（multi-UAV）移动边缘计算（MEC）和路径规划（PP）（multi-UAV MEC-PP）系统，有效解决了服务质量约束下的路径优化问题。在不同尺度上的广泛模拟证实了其优越的性能。

更多详细结果，请参阅相应的文献。

参考文献

Yu M, Yang H, Zhang J, Ouyang K, Fu S, Tan P, Jiang F, Xu J. Bounty Hunter Optimizer: A Novel Metaheuristic with an Application to Multi-UAV Mobile Edge Computing and Path Planning. Knowledge-Based Systems.