BA-蝙蝠算法

1. 方法概述

BA-蝙蝠算法 的真实核心位于：

• core/ba_calculator.py
• ui/upload_widget.py
• ui/results_widget.py
• utils/problem_definition.py

这份实现对应 Bat Algorithm，完整维护了经典 BA 的几组状态量：

• 位置 pop
• 速度 vel
• 频率 freq
• 响度 loudness
• 脉冲率 pulse_rate

设第 \(i\) 只蝙蝠在第 \(t\) 轮的位置为 \(x_i^{(t)}\)，全局最优位置为 \(x_\star^{(t)}\)。

2. 目标函数与问题模式

2.1 基准函数与上传代理

基准模式支持：

• Sphere
• Rosenbrock
• Rastrigin
• Ackley
• Griewank
• Schwefel

上传模式下，会先训练随机森林代理模型：

$$ \hat y(x)=\mathrm{RandomForestRegressor}_{300}(x) \tag{1} $$

与本窗口其它算法不同，这个目录在上传模式中直接把

$$ f(x)=\hat y(x) \tag{2} $$

作为真实目标值传给 BA；若用户选择最大化，则 _run_single() 直接改用“大者更优”的比较函数，而不是显式取负。

2.2 多次运行统计

若运行 \(R\) 次，程序会记录每次最优值 \(f_r^\star\)，并计算

$$ \bar f=\frac{1}{R}\sum_{r=1}^{R} f_r^\star \tag{3} $$

以及样本标准差，用于评价稳定性。

3. BA 更新公式

3.1 频率、速度与全局搜索

对第 \(i\) 只蝙蝠，代码先采样

$$ \beta_i\sim U(0,1) \tag{4} $$

并计算频率

$$ f_i=f_{\min}+(f_{\max}-f_{\min})\beta_i \tag{5} $$

随后更新速度与候选位置：

$$ v_i^{(t+1)}=v_i^{(t)}+\big(x_i^{(t)}-x_\star^{(t)}\big)f_i \tag{6} $$

$$ \tilde x_i^{(t+1)}=x_i^{(t)}+v_i^{(t+1)} \tag{7} $$

3.2 局部搜索

若随机数满足

$$ r>\texttt{pulse\_rate}_i \tag{8} $$

则代码改为围绕当前全局最优做局部搜索：

$$ \tilde x_i^{(t+1)}=x_\star^{(t)}+\varepsilon\cdot \texttt{local\_step}\cdot \overline{A}^{(t)}, \qquad \varepsilon\sim U(-1,1)^d \tag{9} $$

其中 \(\overline{A}^{(t)}\) 是当前种群响度均值。

3.3 接受准则

候选解满足“更优且随机数小于响度”时才被接受：

$$ x_i^{(t+1)}= \begin{cases} \tilde x_i^{(t+1)}, & \tilde f_i \text{ 更优且 } u<A_i^{(t)}\\ x_i^{(t)}, & \text{否则} \end{cases} \tag{10} $$

3.4 响度与脉冲率更新

一旦接受新解，响度和脉冲率按经典 BA 形式更新：

$$ A_i^{(t+1)}=\alpha A_i^{(t)} \tag{11} $$

$$ r_i^{(t+1)}=r_{0}\Big(1-e^{-\gamma (t+1)}\Big) \tag{12} $$

这里的 alpha 与 gamma 都来自 UI 参数页。

4. 输出结果与导出

真实 Excel 工作表为：

• 参数
• 边界设置
• 运行汇总
• 收敛曲线
• 最佳解
• 最佳适应度
• 结果解读
• UploadedData（上传模式）
• SurrogateMetrics（上传模式）
• 图表清单
• 初始群体
• 初始速度
• 最终群体
• 最终速度

其中 初始速度 默认全为零，最终速度 反映了整个 BA 过程后保留下来的速度向量。

若维度为 2，代码还会额外尝试导出等高线与最优轨迹图；若 n_runs>1，则会再生成最优值箱线图。

5. 实现说明与注意事项

从真实代码看，这个目录应明确说明：

1. 上传模式不是“代理目标取负后统一最小化”，而是直接把 predict_actual 作为目标，再由 minmax 比较函数决定优劣。
2. 局部搜索触发条件写成 rand > pulse_rate[i]，这和部分教材中的不等号方向完全一致，但文档里最好写明。
3. 新解只有在“更优且随机数小于当前响度”时才真正接受。
4. 结果导出会保留初始/最终群体与速度矩阵，这在当前窗口其它优化算法里并不常见。
5. 多次运行时，最终导出的 初始群体 和 最终群体 只取第一次运行，不是所有运行的拼接结果。

6. 论文写作模板

可在论文“方法部分”中写为：

“本文采用蝙蝠算法对连续变量优化问题进行求解。首先，在给定边界内初始化蝙蝠种群的位置、速度、频率、响度和脉冲率，并根据目标函数确定初始全局最优解；其次，利用频率控制速度与位置更新，在需要时围绕当前全局最优解执行局部随机搜索；随后，依据‘候选解更优且随机数小于当前响度’的接受准则刷新个体状态，并同步更新响度与脉冲率；最后，输出最优解、最优适应度、收敛曲线以及初始/最终群体信息，用于分析算法的搜索行为与稳定性。”

7. 单篇终审补充

7.1 表格标题模板

• 运行汇总 表可写为：表X BA 多次独立运行结果汇总。
• 收敛曲线 表可写为：表X BA 各迭代最优值变化。
• 最佳解 表可写为：表X BA 求得的最优解向量。
• 最佳适应度 表可写为：表X BA 最终最优适应度。
• 初始群体 与 最终群体 表可写为：表X BA 初始与最终种群状态对比。

7.2 图表题注模板

• convergence.png 可写为：图X 蝙蝠算法收敛曲线。
• 二维等高线与最优轨迹图可写为：图X BA 在二维目标函数上的搜索轨迹。
• 多次运行箱线图可写为：图X BA 多次运行最优值分布箱线图。

7.3 结果解释模板段落

“由 运行汇总、最佳解 与 最佳适应度 可见，BA 能够通过频率调节、局部搜索和响度-脉冲率动态更新逐步逼近更优解。图X 所示 convergence.png 展示了算法在迭代中的最优值变化；若曲线在前期快速改善、后期平稳，则说明搜索已由全局探索逐渐过渡到局部精修。初始群体 与 最终群体 的对比还可用于分析种群在搜索后期的聚集程度。若 n_runs>1 并导出了箱线图，则应结合其分布范围讨论算法稳定性，而不是仅报告单次最优结果。”

7.4 全量强化补充

本次全量强化绑定的真实上传验证目录为 具体的算法3/优化与多目标/BA-蝙蝠算法/results/manual_upload_verify_20260328/BA-蝙蝠算法_结果_20260328_113216。主结果文件为 BA-蝙蝠算法_结果_20260328_113216.xlsx，实际工作表为 参数、边界设置、运行汇总、收敛曲线、最佳解、最佳适应度、结果解读、UploadedData、SurrogateMetrics、图表清单、初始群体、初始速度、最终群体、最终速度。

当前真实图位于 charts/ 子目录，包括 convergence.png 与 best_box.png。这说明本次结果目录实际保留了多次运行最优值分布图，但未导出二维轨迹图；论文若要讨论稳定性，可直接引用 best_box.png，不要保留并不存在的二维轨迹图占位。

复现脚本为 repro_ba.py，其输入口径为 source_file = 'repro_inputs/ba_sample.xlsx'，且参数中显式保留 n_runs = 2 与 problem_mode = 'upload_surrogate'。因此这篇文档应把复现描述为“上传代理模式下、带两次独立运行统计的 BA 复现”，同时结合 SurrogateMetrics 说明代理模型误差与优化结果之间的关系。

8. 软件实现核查补充（2026-07）

本篇对应的软件源码目录是 具体的算法3/优化与多目标/BA-蝙蝠算法。软件实现把频率、响度、脉冲率、种群规模、迭代次数、多次运行等参数接入连续优化流程，并同时支持优化模式与上传数据代理优化模式。上传模式读取 csv/xlsx/xls 后训练随机森林代理模型，因此软件中的 best_fitness 在上传模式下是代理目标上的优化显示值，需要结合 SurrogateMetrics 解释。

当前较新的代表性目录为 results/BA-蝙蝠算法分析结果_20260517_112942-优化模式 与 results/BA-蝙蝠算法分析结果_20260517_113005-上传数据代理优化。主工作簿 BA_results_*.xlsx 包含 结果摘要、结果说明、字段说明、Summary、Problem、Algorithm_Params、Bounds、Run_Summary、History_Mean、History_All、Best_Solution、Convergence_BestRun、Explanation、Charts、Initial_Population、Initial_Velocity、Final_Population，优化模式还可包含 Final_Velocity；上传模式额外包含 UploadedProblem、UploadedData、SurrogateMetrics。这些表比理论公式更直接反映当前软件的实际计算链路。

图表当前稳定输出为 图表/convergence.png，部分历史目录还存在 best_box.png，但较新实跑不应默认写成必有箱线图。复现代码位于 复现代码/优化模式/ 或 复现代码/上传数据代理优化/，上传模式会复制输入到 repro_inputs/ba_sample.xlsx，并在 repro_outputs/ 中再生成一套工作簿、图表和复现脚本。文档中如果讨论种群演化，应优先引用 Initial_Population、Initial_Velocity、Final_Population、Final_Velocity 等实际工作表。