Diese Studie führt Mensch-Schwarm-Interaktionsstrategien (HSI) ein, um bio-inspirierte Schwarmintelligenz-Algorithmen (SI) zu verbessern, indem sie inhärente Einschränkungen des traditionellen Affenalgorithmus (MA) adressiert, wie vorzeitige Konvergenz und rechnerische Ineffizienz in komplexen Suchräumen. Wir schlagen drei HSI-Integrationsstrategien vor, die intermittierende, persistente und parameterabhängige Interaktionen innerhalb des HSI beinhalten, um emergente Verhaltensweisen zu verstärken und die intrinsischen Optimierungsmechanismen des MA zu verfeinern. Die Validierung durch sieben Benchmark-Funktionen (eine unimodal und sechs multimodal) über sieben Dimensionen zeigt die Fähigkeit des HSI-MA, komplexe, multidimensionale Optimierungsprobleme mit statistisch signifikant (p < 0,05) überlegener Genauigkeit und Stabilität im Vergleich zum ursprünglichen MA und vier Baseline-SI-Algorithmen zu lösen, wobei 85% Dominanz in Testfällen erreicht wird und die Iterationen um das 10-fache reduziert werden. Weitere Bewertungen zu fünf Ingenieurd Designproblemen zeigen, dass das HSI-MA in 70% der Szenarien 36 moderne Optimierer übertrifft, was seine verbesserte Präzision und Effizienz in praktischen Anwendungen bestätigt. Im Gegensatz zu herkömmlichen fusion-basierten Ansätzen bewahrt das HSI-Rahmenwerk die theoretischen Grundlagen des ursprünglichen Algorithmus, während es systematisch menschliche Intelligenz integriert, um die strukturelle Anpassungsfähigkeit und operative Effizienz zu verbessern.
Deng et al. (Mon,) haben diese Frage untersucht.