2026年9月SCI-天气状态蚂蚁优化算法Weather State Ants 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------天气状态蚂蚁优化算法Weather State Ants Optimizer，WSAO。该算法是一种马尔可夫驱动变结构元启发式算法，于2026年9月最新发表 在 JCR 1区，中科院3区、新锐3区期刊 Biomimetics。

天气可以改变动物集体活动的范围和组织。雨水抑制了切叶蚁的觅食，飞行条件改变了蜻蜓的迁徙，普通的蜡喙会随着天气的变化而重组群体行为。这些观察结果激发了环境状态的变化，从而触发了种群水平的搜索行为。WSAO将这种灵感转化为三个刻意抽象的机制：

1.阳光充足：广泛的觅食与整个种群的探索相对应。

2.多云：集体迁移对应于向候选巢穴移动。

3.多雨：活动集中在巢附近，对应于局部细化。

这种映射是一种算法，而不是定量的生态模型。每个天气标签标识一个互补的搜索方程。离散时间马尔可夫链控制它们的顺序，允许先前使用的策略在下一代返回。

天气状态机制：马尔可夫过程

考虑一个有限状态空间𝑆={𝑠1𝑠2,...,𝑠𝑛}。变量𝑋𝑡和𝑋0分别表示第t代和初始化时的状态。对于任何候选州𝑠𝑗∈𝑆，一阶依赖

WSAO使用𝑆={𝑠1=晴天，𝑠2=阴天，𝑠3=雨天}和以下数值转移矩阵：

1.初始化。与其他优化算法类似，通过在定义的决策空间范围内随机初始化种群来开始搜索优质解决方案。

巢穴确定。巢多样性由最小分离𝑟min控制。对于半径为r的n维球，体积为∑𝑛（𝑟）用伽马函数表示

晴天状态：全局探索。晴天应用pso启发的探索性更新与代相关的权重。速度记忆和局部和全局记录为晴天状态提供了一个稳定的种群范围的信息渠道，补充了巢导向的多云和雨天更新。

多云状态：巢聚集。一旦第一个巢集可用，每个代理将均匀随机分配一个巢。

多雨状态：局部开发。雨天保留了个人最佳和巢制导，但扩大了实现的位移

全局/微分试验摄动。天气更新评估后,𝐩𝐛𝐞𝐬𝐭̃𝑖(𝑡+ 1)表示刷新的个人最好成绩。WSAO随后提出两种尝试措施中的一种。全局分支采样域范围内的位移。微分分支使用两个更新的个体最佳向量：

全局分支的概率是0.2；所有其他试验都使用微分分支。每次尝试都被剪辑、评估，并与刷新后的个体最好成绩进行比较；

算法伪代码：

03. 对比验证

原文作者首先30次独立运行比较了WSAO在29个CEC2017和12个CEC2022函数上的11种算法。WSAO在两个套房的弗里德曼平均排名中都是最低的，分别为2.48和2.33。在5个约束设计案例中，有4个案例的平均客观价值进入领先行列，在压力容器设计方面排名第二。有针对性的CEC2022对照显示，没有替代过渡矩阵主导基线。

更多详细结果，请参阅相应的文献。

参考文献

Xia, X.; Sun, J.; Geng, X.; Zhang, P.; Fu, Y. Weather State Ants Optimizer: A Markov-Driven Variable-Structure Metaheuristic. Biomimetics2026, 11, 626. https://doi.org/10.3390/biomimetics11090626.