Frenetic Cat-inspired Particle Optimization: a Markov state-switching hybrid swarm optimizer with application to cardiac digital twinning
FCPO演算法創0.183秒均速，較CMA-ES快2.3倍，突破黑箱優化瓶頸。
- 運用馬可夫控制器排程四種粒子狀態，有效突破優化停滯困境。
- 實測創 0.183 秒均速，效能超越 CMA-ES 演算法 2.3 倍。
- 完成心臟數位孿生校正實測，40 次迭代內即達成極低誤差目標。
針對高成本黑箱優化難題，全新提出的狂熱貓啟發粒子優化演算法（FCPO）在基準測試中創下 0.183 秒平均運行時間，比傳統強勢演算法 CMA-ES 快上 2.3 倍。這項結合馬可夫狀態切換的混合群體策略，更在 40 次迭代內成功完成複雜的心臟數位孿生參數校正，為運算資源受限的工程反問題提供了全新解方。
突破高成本黑箱優化瓶頸的 FCPO 混合演算架構
在科學研究與工程設計領域，許多實際問題都仰賴對黑箱目標函數進行最佳化。這些函數通常具備非凸（Non-convex）與多峰值（Multimodal）等複雜幾何特性，且每一次函數評估都可能牽涉到高保真度的數值模擬或昂貴的物理實驗。在這樣的限制下，優化工具的首要目標不僅是尋找最高品質的解答，更必須在極度緊縮的評估預算與時間內完成任務。
針對此痛點，研究團隊開發了狂熱貓啟發粒子優化演算法（FCPO）。這是一套專為嚴苛環境設計的混合群體方法，核心突破在於導入顯式狀態的馬可夫切換控制器（Markov switching controller），藉由機率矩陣即時排程不同特性的搜索算子。有別於早期單純將群體一分為二的做法，FCPO 賦予每一個獨立的搜尋代理（粒子）專屬的離散行為狀態。
由於沒有單一演算法能主宰所有問題類別，FCPO 的設計初衷並非在所有場景中追求極致的漸近最佳解。它選擇專注於「低評估次數」與「高運算成本」的特定交集區間，以換取最佳的運行時間效益。為了進一步控制演算法後期的運算負擔，框架也整合了線性群體規模縮減（LPSR）技術，允許粒子總數在迭代過程中穩定遞減，將寶貴的運算資源集中於最有潛力的解空間中。
結合貓咪衝刺與特徵空間引導的四種狀態控制器
FCPO 的粒子行為動態由一個具備 7 種離散狀態的空間組成，並透過列隨機矩陣進行狀態轉移。大部分時間裡，粒子處於「中性維護」狀態，這些狀態會執行標準的粒子群最佳化（PSO）更新規則。系統設計了餘弦衰減慣性權重，並在最後 2% 的迭代中啟動終端鎖定機制，將速度邊界縮小至百萬分之一，徹底消除演算法尾聲的無效震盪。
當一般搜索無法取得進展時，具備爆發性探索能力的「衝刺（Zoomies）」狀態便會介入。這項機制借鑒了差分演化的突變法則，從個人歷史最佳排名的前 40% 菁英群體中隨機抽取兩個目標。透過計算兩者的空間差異後，系統會生成一條強力的跳躍向量，強制將陷入泥沼的粒子推離局部極值。
另一方面，為了精確鎖定最佳解，演算法設計了名為「呼嚕（Purr）」的穩定狀態。系統會定期計算菁英子集的共變異數矩陣，並提取其特徵系統（Eigensystem）來建立局部搜索的幾何模型。這種具備各向異性的特徵對齊微調，能引導粒子沿著山脊或狹谷地形平滑移動。此外，若粒子步伐過大，專屬的「恢復（Restoration）」狀態會即刻啟動阻尼機制，將速度減半並把粒子拉回個人最佳位置。
在運作過程中，馬可夫轉移矩陣並非固定不變。系統會利用簡單的強化學習訊號，每隔固定迭代次數動態更新矩陣。若當前全局最佳粒子處於特定狀態，該狀態的轉移機率就會獲得權重加成。相對地，當連續超過 10 次迭代未見改善時，系統會強行增加切換至衝刺狀態的機率，賦予群體極高的自適應彈性。
超越 CMA-ES 演算法 2.3 倍速度的基準測試數據
為確保評估的客觀性，研究團隊選用了國際公認的 CEC 2022 單目標邊界約束基準測試集。測試挑選了 5 種具備互補困難度的景觀，包含單峰特性、旋轉變換、表面崎嶇的擴展函數，以及具備高度多峰組合特徵的 F10 函數。對照組不僅涵蓋了 PSO、CSO 等傳統群體演算法，更加入了現代的高效演算法 SHADE、L-SHADE 與 CMA-ES。
在維度設置為 10 與 20 的 30 次獨立實驗中，所有演算法皆被限制在相同的最大函數評估次數內運作。統計結果揭示，FCPO 在 10 個測試案例中斬獲了最低的平均運行時間（0.183 秒）。在 Python 統一實作的環境下，其基礎開銷比 CMA-ES 快上 2.3 倍，也比 L-SHADE 具備 2.6 倍的速度優勢，充分展現了輕量化設計的價值。
在面對維度高達 20 的多峰組合函數 F10 挑戰時，FCPO 的表現最為亮眼，不僅達成了最優的平均目標值（$9.625 \times 10^2$），其 0.602 秒的運行時間也明顯碾壓 CMA-ES 的 1.126 秒。儘管在高度結構化的景觀中 CMA-ES 仍是精準度最高的霸主，但 FCPO 在面對混合地形時成功彌補了傳統群體的停滯缺陷。它在評估預算受限的環境下，取得了極佳的準確度與執行時間平衡。
完成心臟數位孿生模型校正的 40 次迭代實測
為了展示該演算法在昂貴反問題上的實際價值，研究團隊將 FCPO 部署於心室激動的數位孿生校正任務中。這是一項計算成本極其高昂的臨床挑戰，系統必須從體表觀測到的心電圖（ECG），反向推導出心室內部的電波傳遞過程，並精準定位浦金氏纖維-心肌交界處（PMJs）的空間座標與啟動時序。
每一次迭代的函數評估，都必須在網格上求解非等向性的 Eikonal 波前傳播方程式。為了加速 ECG 生成，團隊運用了前置運算的導聯場（Lead-field）技術，將細胞外電位與跨膜電位變化的內積簡化。在優化目標設定上，系統會先透過全局對齊演算法，找出 12 導聯信號的最佳時間位移與縮放比例，隨後才計算差異損失，避免時間平移導致的優化誤差。
受惠於早期的快速收斂與極低的演算法內部開銷，FCPO 在短短大約 40 次迭代內，就成功將模擬心電圖與目標心電圖的均方根誤差（RMSE）降至 0.1 mV 以下的保真度標準。研究人員進一步透過 10 次重複執行驗證，確認生成的激動時間地圖具備高度一致性與生理學合理性。這些成果證實，結合狀態控制器與菁英幾何搜索的 FCPO，是應對複雜醫學物理模擬的一項實戰級最佳化工具。
透過馬可夫鏈動態切換探索與微調機制，不僅突破群體演算法停滯瓶頸，更重塑了高成本黑箱優化的運算效率標準。