群體最佳化演算法借用相變物理,調節搜尋步調
這套演算法以模擬的相變、而非人工調整的時程,來平衡探索與精修,在經過平移與旋轉的測試問題上,於 12 種方法中排名第 2。

許多實務上的最佳化問題規模太大、地形太崎嶇,精確方法難以處理。面對高維度的非凸問題(非凸指的是解的地形可能有許多凹陷,搜尋容易困在其中),常見的辦法是改用元啟發式演算法。這是一種通用的搜尋策略,不保證找到最佳解,但往往能找到不錯的解,做法通常是讓一群候選解在地形上移動。Jiaying University 的 Keyin Chen 與 Yuanlin Liu 在 2026 年發表於 Scientific Reports 的論文中主張,這類演算法的一項核心選擇通常缺乏理論依據,於是他們從物理學借來一套理論。
這項選擇就是探索(exploration)與利用(exploitation)之間的平衡。搜尋若四處漫遊太久會浪費力氣,太早定下來又可能卡在一個平庸的谷底。作者表示,多數元啟發式演算法是比照某種生物或物理過程設計的。它們用「排程」來處理這種取捨,也就是規定搜尋在一次執行過程中該如何改變行為的規則;而這些排程是憑經驗法則選定,並非從任何底層理論推導而來。
他們的演算法稱為對稱破缺群體最佳化(Symmetry-Breaking Swarm Optimization,SBSO),以朗道(Landau)的相變理論為基礎。二階相變是一種連續的狀態變化,例如磁鐵被加熱超過臨界溫度時失去磁化。朗道理論用「序參數」來描述這類變化:這個量在無序、對稱的相中為零,系統一旦進入有序狀態就變成非零。朗道–金茲堡(Landau–Ginzburg)版本讓這個參數可以隨位置不同而變化,因此它成了一個場。當溫度降過臨界點時,對稱狀態變得不穩定,系統會落入數個等價的有序狀態之一,物理學家稱之為自發對稱破缺。
在 SBSO 中,每個搜尋代理(agent)各自帶有這種序參數場的一個分量。場沿著朗道–金茲堡自由能(物理系統會趨向最小化的量)的梯度往下鬆弛,同時一個計算用的溫度被逐步調降、通過臨界點。場一旦發生對稱破缺,每個代理所在位置的序參數局部值,就決定該代理搜尋運算子的排程。因此,探索與利用之間的平衡不是設計者寫進去的時間表,而是演算法經歷一次相變的結果。作者也描述了一個向量版本,問題的每個座標各對應一個場分量,讓搜尋強度可以在變數行為各異的問題上逐一座標調整。當一個被他們稱為「分化強度」的量設為零時,這個版本會完全退化為純量版的演算法。
作者將 SBSO 與來自四大類的另外 11 種最佳化方法比較,所有方法都限定相同的評估預算。在一組經典測試函數上,SBSO 在 12 種方法中排名第 4。作者指出,這組測試包含可分離的單峰問題,也就是只有一個谷底、各變數可以獨立最佳化的函數,這類問題對會讓整個群體收斂到單一點的方法有利。第二項測試採用 IEEE CEC 基準測試中五組經過平移與旋轉的問題,測試函數被移動、轉向,讓最佳解不在方便的位置,變數之間也會相互影響。在這組測試中,SBSO 在 12 種方法中排名第 2,而且穩定排在第 2。
為了找出效益從何而來,作者做了控制式的消融實驗,也就是一次只更動或移除一個成分的實驗。他們表示,效益來自相變本身,而不是任何個別的搜尋運算子。這類檢驗的用意,是區分究竟是設計原則真正發揮了作用,還是只是裡面剛好放了一個選得好的步驟。
論文摘要有許多地方沒有交代。摘要沒有列出那 11 種對手方法及其所屬的四大類,沒有指明哪些方法排在 SBSO 前面,也沒有說明評估預算有多大。摘要所報告的比較全都在基準測試集上進行,而 SBSO 在兩組測試中都沒有拿到第一。它的主張比較有限:探索與利用的平衡可以從物理理論推導出來,而不必靠人工調整;結果具有競爭力;消融實驗則顯示,推導出來的相變正是發揮幫助的關鍵。
- 論文
- A symmetry breaking swarm optimizer derived from the Landau theory of phase transitions
- 作者
- Keyin Chen, Yuanlin Liu
- 刊登
- Scientific Reports · 2026年10月30日
- 連結
- doi:10.1038/s41598-026-78615-x
- 英文版
- Swarm optimiser borrows the physics of phase transitions to pace its search


