摘要
算术优化算法（Arithmetic Optimization Algorithm, AOA）是一种新颖的群体智能优化算法，灵感来源于加、减、乘、除四种基本算术运算。在优化过程中，AOA 通过乘除操作实现全局探索，通过加减操作强化局部开发，兼顾了算法的全局搜索能力和局部收敛速度。本文系统介绍了 AOA 的核心机制、数学建模，并提供完整的 MATLAB 代码，包含详细中文注释，适合用于科学研究、函数测试与工程优化等场景。
一、算法原理详解
1.1 AOA 设计思想
AOA 将群体智能算法的搜索过程类比为一组算术计算，个体的位置更新由四种算术行为控制：
- 加法 & 减法 → 小范围微调 → 强化开发能力
- 乘法 & 除法 → 大范围变动 → 增强探索能力
整个搜索行为在不同阶段由控制因子逐步转变为开发导向，提升全局收敛性能。
1.2 核心数学模型与公式
（1）加速函数 MOA（Modulation of Arithmetic）
用于动态调节算术行为执行概率。其数学形式为：
（2）概率比 MOP（Math Optimizer Probability）
用于控制乘除（探索）和加减（开发）的选择：
α：指数控制因子，一般取值为 5
（3）位置更新策略
探索阶段（乘除）公式：
开发阶段（加减）公式：
二、AOA 完整 MATLAB 实现
function [Best_FF,Best_P,Conv_curve]=AOA(N,M_Iter,LB,UB,Dim,F_obj)
% 算术优化算法 AOA 实现
% N ：种群大小
% M_Iter ：最大迭代次数
% LB, UB ：变量上下界
% Dim ：问题维度
% F_obj ：目标函数句柄% 初始化最优解记录
Best_P = zeros(1,Dim);
Best_FF = inf;
Conv_curve = zeros(1,M_Iter); % 收敛曲线记录% 初始化种群
X = initialization(N,Dim,UB,LB);
Xnew = X;Ffun = zeros(1,N); % 当前适应度值
Ffun_new = zeros(1,N); % 更新适应度值% 参数设定
MOP_Max = 1;
MOP_Min = 0.2;
Alpha = 5; % 控制 MOP 的下降曲率
Mu = 0.499; % 缩放系数% 初始适应度评估
for i = 1:NFfun(i) = F_obj(X(i,:));if Ffun(i) < Best_FFBest_FF = Ffun(i);Best_P = X(i,:);end
end% 主迭代过程
for C_Iter = 1:M_Iter% 更新加速函数和概率因子MOP = 1 - ((C_Iter)^(1/Alpha) / (M_Iter)^(1/Alpha));MOA = MOP_Min + C_Iter*((MOP_Max - MOP_Min)/M_Iter);for i = 1:Nfor j = 1:Dimr1 = rand();if size(LB,2) == 1% 所有变量统一上下界base = (UB - LB)*Mu + LB;if r1 < MOAif rand() > 0.5Xnew(i,j) = Best_P(j)/(MOP+eps) * base;elseXnew(i,j) = Best_P(j)*MOP * base;endelseif rand() > 0.5Xnew(i,j) = Best_P(j) - MOP * base;elseXnew(i,j) = Best_P(j) + MOP * base;endendelse% 每个变量单独上下界base = (UB(j) - LB(j))*Mu + LB(j);if r1 < MOAif rand() > 0.5Xnew(i,j) = Best_P(j)/(MOP+eps) * base;elseXnew(i,j) = Best_P(j)*MOP * base;endelseif rand() > 0.5Xnew(i,j) = Best_P(j) - MOP * base;elseXnew(i,j) = Best_P(j) + MOP * base;endendendend% 边界处理Xnew(i,:) = min(max(Xnew(i,:), LB), UB);% 适应度评估并更新个体Ffun_new(i) = F_obj(Xnew(i,:));if Ffun_new(i) < Ffun(i)X(i,:) = Xnew(i,:);Ffun(i) = Ffun_new(i);end% 更新全局最优if Ffun(i) < Best_FFBest_FF = Ffun(i);Best_P = X(i,:);endend% 记录收敛曲线Conv_curve(C_Iter) = Best_FF;
end
end%% 初始化函数
function X = initialization(N,Dim,UB,LB)
B_no = size(UB,2);
if B_no == 1X = rand(N,Dim).*(UB-LB)+LB;
elsefor i = 1:DimX(:,i) = rand(N,1).*(UB(i)-LB(i))+LB(i);end
end
end
三、总结
算术优化算法（AOA）以基本的加、减、乘、除行为为核心设计灵感，通过引入概率控制函数（MOP）与加速调节因子（MOA），实现了从全局搜索到局部收敛的自然过渡。相比传统元启发式方法，AOA 结构简洁、易于实现且具有优越的全局优化能力，非常适合函数测试、工程建模和科学研究中的参数优化任务。本文详细阐述了其工作机制、数学模型及 MATLAB 实现，适合用于学术论文实验支撑、优化算法框架扩展等应用。
)
)