一、理论基础

1、向量加权平均算法

向量加权平均算法(Weighted mean of vectors algorithm, INFO)是一种基于群体的优化算法，用于计算搜索空间中一组向量的加权平均值。INFO使用三种算子来更新每一代中向量的位置，分别为：

第一阶段：更新规则
第二阶段：向量合并
第三阶段：局部搜索

（1）更新规则阶段

INFO使用基于均值的规则(MeanRule)更新向量的位置，这是从一组随机向量的加权均值中提取的。此外，为了提高全局搜索能力，在更新规则算子中加入了收敛加速部分(CA)。更新规则的主要公式定义为： z 1 l g = { x l g + σ × M e a n R u l e s + r a n d n × x b s − x a 1 g f ( x b s ) − f ( x a 1 g ) + 1 , r a n d < 0.5 x b s + σ × M e a n R u l e s + r a n d n × x a 2 g − x a 3 g f ( x a 2 g ) − f ( x a 3 g ) + 1 , r a n d ≥ 0.5 z 2 l g = { x b s + σ × M e a n R u l e + r a n d n × x a 1 g − x b g f ( x a 1 g ) − f ( x a 2 g ) + 1 , r a n d < 0.5 x b t + σ × M e a n R u l e + r a n d n × x a 1 g − x a 2 g f ( x a 1 g ) − f ( x a 2 g ) + 1 , r a n d ≥ 0.5 (1) \begin{aligned}z1_l^g=\begin{dcases}x_l^g+\sigma\times MeanRules+randn\times\frac{x_{bs}-x_{a1}^g}{f(x_{bs})-f(x_{a1}^g)+1},\quad rand<0.5\\[2ex]x_{bs}+\sigma\times MeanRules+randn\times\frac{x_{a2}^g-x_{a3}^g}{f(x_{a2}^g)-f(x_{a3}^g)+1},\,\,\,\, rand\geq0.5\end{dcases}\\[2ex]z2_l^g=\begin{dcases}x_{bs}+\sigma\times MeanRule+randn\times\frac{x_{a1}^g-x_b^g}{f(x_{a1}^g)-f(x_{a2}^g)+1},\quad rand<0.5\\[2ex]x_{bt}+\sigma\times MeanRule+randn\times\frac{x_{a1}^g-x_{a2}^g}{f(x_{a1}^g)-f(x_{a2}^g)+1},\quad\, rand\geq0.5\end{dcases}\end{aligned}\tag{1} z1lg=⎩⎪⎪⎨⎪⎪⎧xlg+σ×MeanRules+randn×f(xbs)−f(xa1g)+1xbs−xa1g,rand<0.5xbs+σ×MeanRules+randn×f(xa2g)−f(xa3g)+1xa2g−xa3g,rand≥0.5z2lg=⎩⎪⎪⎨⎪⎪⎧xbs+σ×MeanRule+randn×f(xa1g)−f(xa2g)+1xa1g−xbg,rand<0.5xbt+σ×MeanRule+randn×f(xa1g)−f(xa2g)+1xa1g−xa2g,rand≥0.5(1)其中， z 1 l g z1_l^g z1lg和 z 2 l g z2_l^g z2lg为第 g g g次迭代的新位置向量； σ \sigma σ为向量缩放率，通过式(2)计算所得； a 1 ≠ a 2 ≠ a 3 ≠ l a1\neq a2\neq a3\neq l a1=a2=a3=l是从 [ 1 , N P ] [1,NP] [1,NP]中随机选择的不同整数； r a n d n randn randn是一个标准正态分布随机值。应注意的是，在式(2)中， α \alpha α可以根据式(2.1)中定义的指数函数进行更新。 σ = 2 α × r a n d − α (2) \sigma=2\alpha\times rand-\alpha\tag{2} σ=2α×rand−α(2) α = 2 × exp ⁡ ( − 4 ⋅ g M a x g ) (2.1) \alpha=2\times\exp\left(-4\cdot\frac{g}{Maxg}\right)\tag{2.1} α=2×exp(−4⋅Maxgg)(2.1)式(1)中的 M e a n R u l e MeanRule MeanRule定义如下： M e a n R u l e = r × W M 1 l g + ( 1 − r ) × W M 2 l g , l = 1 , 2 , ⋯ , N P (3) MeanRule=r\times WM1_l^g+(1-r)\times WM2_l^g,\,\,l=1,2,\cdots,NP\tag{3} MeanRule=r×WM1lg+(1−r)×WM2lg,l=1,2,⋯,NP(3)其中， r r r是 [ 0 , 0.5 ] [0,0.5] [0,0.5]之间的随机数； W M 1 l g WM1_l^g WM1lg和 W M 2 l g WM2_l^g WM2lg定义如下： W M 1 l g = δ × w 1 ( x a 1 − x a 2 ) + w 2 ( x a 1 − x a 3 ) + w 3 ( x a 2 − x a 3 ) w 1 + w 2 + w 3 + ε + ε × r a n d , l = 1 , 2 , ⋯ , N P (3.1) WM1_l^g=\delta\times\frac{w_1(x_{a1}-x_{a2})+w_2(x_{a1}-x_{a3})+w_3(x_{a2}-x_{a3})}{w_1+w_2+w_3+\varepsilon}+\varepsilon\times rand,\,\,l=1,2,\cdots,NP\tag{3.1} WM1lg=δ×w1+w2+w3+εw1(xa1−xa2)+w2(xa1−xa3)+w3(xa2−xa3)+ε×rand,l=1,2,⋯,NP(3.1)其中： w 1 = cos ⁡ ( ( f ( x a 1 ) − f ( x a 2 ) ) + π ) × exp ⁡ ( − f ( x a 1 ) − f ( x a 2 ) ω ) (3.2) w_1=\cos((f(x_{a1})-f(x_{a2}))+\pi)\times\exp\left(-\frac{f(x_{a1})-f(x_{a2})}{\omega}\right)\tag{3.2} w1=cos((f(xa1)−f(xa2))+π)×exp(−ωf(xa1)−f(xa2))(3.2) w 2 = cos ⁡ ( ( f ( x a 1 ) − f ( x a 3 ) ) + π ) × exp ⁡ ( − f ( x a 1 ) − f ( x a 3 ) ω ) (3.3) w_2=\cos((f(x_{a1})-f(x_{a3}))+\pi)\times\exp\left(-\frac{f(x_{a1})-f(x_{a3})}{\omega}\right)\tag{3.3} w2=cos((f(xa1)−f(xa3))+π)×exp(−ωf(xa1)−f(xa3))(3.3) w 3 = cos ⁡ ( ( f ( x a 2 ) − f ( x a 3 ) ) + π ) × exp ⁡ ( − f ( x a 2 ) − f ( x a 3 ) ω ) (3.4) w_3=\cos((f(x_{a2})-f(x_{a3}))+\pi)\times\exp\left(-\frac{f(x_{a2})-f(x_{a3})}{\omega}\right)\tag{3.4} w3=cos((f(xa2)−f(xa3))+π)×exp(−ωf(xa2)−f(xa3))(3.4) ω = max ⁡ ( f ( x a 1 ) , f ( x a 2 ) , f ( x a 3 ) ) (3.5) \omega=\max\left(f(x_{a1}),f(x_{a2}),f(x_{a3})\right)\tag{3.5} ω=max(f(xa1),f(xa2),f(xa3))(3.5) W M 2 l g = δ × w 1 ( x b s − x b t ) + w 2 ( x b s − x w s ) + w 3 ( x b t − x w s ) w 1 + w 2 + w 3 + ε + ε × r a n d , l = 1 , 2 , ⋯ , N P (3.6) WM2_l^g=\delta\times\frac{w_1(x_{bs}-x_{bt})+w_2(x_{bs}-x_{ws})+w_3(x_{bt}-x_{ws})}{w_1+w_2+w_3+\varepsilon}+\varepsilon\times rand,\,\,l=1,2,\cdots,NP\tag{3.6} WM2lg=δ×w1+w2+w3+εw1(xbs−xbt)+w2(xbs−xws)+w3(xbt−xws)+ε×rand,l=1,2,⋯,NP(3.6)其中， w 1 = cos ⁡ ( ( f ( x b s ) − f ( x b t ) ) + π ) × exp ⁡ ( − f ( x b s ) − f ( x b t ) ω ) (3.7) w_1=\cos((f(x_{bs})-f(x_{bt}))+\pi)\times\exp\left(-\frac{f(x_{bs})-f(x_{bt})}{\omega}\right)\tag{3.7} w1=cos((f(xbs)−f(xbt))+π)×exp(−ωf(xbs)−f(xbt))(3.7) w 2 = cos ⁡ ( ( f ( x b s ) − f ( x w s ) ) + π ) × exp ⁡ ( − f ( x b s ) − f ( x w s ) ω ) (3.8) w_2=\cos((f(x_{bs})-f(x_{ws}))+\pi)\times\exp\left(-\frac{f(x_{bs})-f(x_{ws})}{\omega}\right)\tag{3.8} w2=cos((f(xbs)−f(xws))+π)×exp(−ωf(xbs)−f(xws))(3.8) w 3 = cos ⁡ ( ( f ( x b t ) − f ( x w s ) ) + π ) × exp ⁡ ( − f ( x b t ) − f ( x w s ) ω ) (3.9) w_3=\cos((f(x_{bt})-f(x_{ws}))+\pi)\times\exp\left(-\frac{f(x_{bt})-f(x_{ws})}{\omega}\right)\tag{3.9} w3=cos((f(xbt)−f(xws))+π)×exp(−ωf(xbt)−f(xws))(3.9) ω = f ( x w s ) (3.10) \omega=f(x_{ws})\tag{3.10} ω=f(xws)(3.10) δ = 2 β × r a n d − β (3.11) \delta=2\beta\times rand-\beta\tag{3.11} δ=2β×rand−β(3.11) β = α = 2 × exp ⁡ ( − 4 ⋅ g M a x g ) (3.12) \beta=\alpha=2\times\exp\left(-4\cdot\frac{g}{Maxg}\right)\tag{3.12} β=α=2×exp(−4⋅Maxgg)(3.12)其中， w 1 w_1 w1、 w 2 w_2 w2和 w 3 w_3 w3是三个加权函数，用于计算向量的加权平均值，有利于算法在解空间中全局搜索； x b s x_{bs} xbs、 x b t x_{bt} xbt和 x w s x_{ws} xws分别是第 g g g代种群中最优、次优和最差的解向量。事实上，这些解向量是在每次迭代时对种群向量进行排序后确定的。

（2）向量合并阶段

根据式(5)，INFO将前一阶段中计算的两个向量( z 1 l g z1_l^g z1lg和 z 2 l g z2_l^g z2lg)与条件 r a n d < 0.5 rand<0.5 rand<0.5的向量( u l g u_l^g ulg)相结合，生成新向量。事实上，该算子用于提升局部搜索能力，以提供一个新的更好的向量。 u l g = { { z 1 l g + μ ⋅ ∣ z 1 l g − z 2 l g ∣ , r a n d 1 < 0.5 & & r a n d 2 < 0.5 z 1 2 g + μ ⋅ ∣ z 1 l g − z 2 l g ∣ , r a n d 1 < 0.5 & & r a n d 2 ≥ 0.5 x l g , r a n d 1 < 0.5 (4) u_l^g=\begin{dcases}\begin{dcases}z1_l^g+\mu\cdot|z1_l^g-z2_l^g|,\quad rand1<0.5\,\,\&\&\,\,rand2<0.5\\[2ex]z1_2^g+\mu\cdot|z1_l^g-z2_l^g|,\quad rand1<0.5\,\,\&\&\,\,rand2\geq0.5\end{dcases}\\[2ex]x_l^g,\quad\quad\quad\quad\quad\quad\quad\quad\quad\,\,\, rand1<0.5\end{dcases}\tag{4} ulg=⎩⎪⎪⎨⎪⎪⎧⎩⎨⎧z1lg+μ⋅∣z1lg−z2lg∣,rand1<0.5&&rand2<0.5z12g+μ⋅∣z1lg−z2lg∣,rand1<0.5&&rand2≥0.5xlg,rand1<0.5(4)其中， u l g u_l^g ulg是第 g g g代中的向量合并得到的新向量； μ = 0.05 × r a n d n \mu=0.05\times randn μ=0.05×randn。

（3）局部搜索阶段

INFO使用局部搜索阶段来防止陷入局部最优解。根据该算子，如果 r a n d < 0.5 rand<0.5 rand<0.5，则可以围绕 x b e s t g x_{best}^g xbestg生成一个新的向量，其中 r a n d rand rand是 [ 0 , 1 ] [0,1] [0,1]中的随机值。 u l g = { x b s + r a n d n × ( M e a n R u l e + r a n d n × ( x b s g − x a 1 g ) ) , r a n d 1 < 0.5 & & r a n d 2 < 0.5 x r n d + r a n d n × ( M e a n R u l e + r a n d n × ( v 1 × x b s − v 2 × x r n d ) ) , r a n d 1 < 0.5 & & r a n d 2 ≥ 0.5 (5) u_l^g=\begin{dcases}x_{bs}+randn\times(MeanRule+randn\times(x_{bs}^g-x_{a1}^g)),\quad\quad\quad\quad\quad\,\,\,\,\,\,\, rand1<0.5\,\,\&\&\,\,rand2<0.5\\[2ex]x_{rnd}+randn\times(MeanRule+randn\times(v_1\times x_{bs}-v_2\times x_{rnd})),\quad\, rand1<0.5\,\,\&\&\,\,rand2\geq0.5\end{dcases}\tag{5} ulg=⎩⎨⎧xbs+randn×(MeanRule+randn×(xbsg−xa1g)),rand1<0.5&&rand2<0.5xrnd+randn×(MeanRule+randn×(v1×xbs−v2×xrnd)),rand1<0.5&&rand2≥0.5(5)其中： x r n d = ϕ × x a v g + ( 1 − ϕ ) × ( ϕ × x b t + ( 1 − ϕ ) × x b s ) (5.1) x_{rnd}=\phi\times x_{avg}+(1-\phi)\times(\phi\times x_{bt}+(1-\phi)\times x_{bs})\tag{5.1} xrnd=ϕ×xavg+(1−ϕ)×(ϕ×xbt+(1−ϕ)×xbs)(5.1) x a v g = x a + x b + x c 3 (5.2) x_{avg}=\frac{x_a+x_b+x_c}{3}\tag{5.2} xavg=3xa+xb+xc(5.2)其中， ϕ \phi ϕ表示 ( 0 , 1 ) (0,1) (0,1)的随机数； x r n g x_{rng} xrng是由 x a v g x_{avg} xavg、 x b t x_{bt} xbt和 x b s x_{bs} xbs组成的新解，这增加了所提出算法的随机性，以更好地在解空间中搜索； v 1 v_1 v1和 v 2 v_2 v2是两个随机数，定义如下： v 1 = { 2 × r a n d , p > 0.5 1 , p ≤ 0.5 (5.3) v_1=\begin{dcases}2\times rand,\quad p>0.5\\[2ex]1,\quad\quad\quad \quad \,\,p\leq0.5\end{dcases}\tag{5.3} v1=⎩⎨⎧2×rand,p>0.51,p≤0.5(5.3) v 2 = { r a n d , p > 0.5 1 , p ≤ 0.5 (5.4) v_2=\begin{dcases}rand,\quad p>0.5\\[2ex]1,\quad\quad\,\, \,\,p\leq0.5\end{dcases}\tag{5.4} v2=⎩⎨⎧rand,p>0.51,p≤0.5(5.4)

2、INFO算法伪代码

INFO算法伪代码如下图所示：

二、仿真实验与分析

1、函数优化

将INFO与GWO、PSO、GSA和SCA进行对比，实验设置种群规模为30，最大迭代次数为500，每个算法独立运行30次，以常用23个测试函数中的F1、F2(单峰函数/30维)、F9、F10(多峰函数/30维)、F19、F20(固定维度多峰函数/3维、6维)为例，结果显示如下：

函数：F1
INFO：最差值: 2.3422e-53, 最优值: 7.1539e-55, 平均值: 1.1926e-53, 标准差: 5.4729e-54
GWO：最差值: 2.6176e-26, 最优值: 6.5289e-29, 平均值: 1.895e-27, 标准差: 4.7854e-27
PSO：最差值: 2259.6662, 最优值: 399.8414, 平均值: 918.8633, 标准差: 431.5798
GSA：最差值: 2.0023e-15, 最优值: 7.374e-17, 平均值: 3.104e-16, 标准差: 3.526e-16
SCA：最差值: 188.4359, 最优值: 0.0019342, 平均值: 19.27, 标准差: 48.7161
函数：F2
INFO：最差值: 1.8478e-26, 最优值: 2.0142e-27, 平均值: 1.0554e-26, 标准差: 3.987e-27
GWO：最差值: 5.2265e-16, 最优值: 1.9346e-17, 平均值: 1.227e-16, 标准差: 1.0494e-16
PSO：最差值: 48.4197, 最优值: 12.2406, 平均值: 24.0964, 标准差: 6.3957
GSA：最差值: 4.5816, 最优值: 4.4118e-08, 平均值: 0.60953, 标准差: 1.1784
SCA：最差值: 0.090451, 最优值: 0.00049259, 平均值: 0.013491, 标准差: 0.018659
函数：F9
INFO：最差值: 0, 最优值: 0, 平均值: 0, 标准差: 0
GWO：最差值: 18.1697, 最优值: 5.6843e-14, 平均值: 2.7476, 标准差: 4.0081
PSO：最差值: 196.1084, 最优值: 103.5017, 平均值: 145.7569, 标准差: 21.2074
GSA：最差值: 68.6519, 最优值: 14.9244, 平均值: 38.5048, 标准差: 12.3502
SCA：最差值: 142.4635, 最优值: 0.087441, 平均值: 41.9357, 标准差: 40.3866
函数：F10
INFO：最差值: 8.8818e-16, 最优值: 8.8818e-16, 平均值: 8.8818e-16, 标准差: 0
GWO：最差值: 1.3589e-13, 最优值: 6.4837e-14, 平均值: 1.0167e-13, 标准差: 1.5e-14
PSO：最差值: 10.2138, 最优值: 4.855, 平均值: 8.3517, 标准差: 1.0071
GSA：最差值: 0.033144, 最优值: 6.3015e-09, 平均值: 0.0011048, 标准差: 0.0060512
SCA：最差值: 20.3404, 最优值: 0.046423, 平均值: 10.7943, 标准差: 9.6337
函数：F19
INFO：最差值: -3.8628, 最优值: -3.8628, 平均值: -3.8628, 标准差: 2.6684e-15
GWO：最差值: -3.8549, 最优值: -3.8628, 平均值: -3.8612, 标准差: 0.0028408
PSO：最差值: -3.8549, 最优值: -3.8628, 平均值: -3.8623, 标准差: 0.0019996
GSA：最差值: -2.5813, 最优值: -3.7641, 平均值: -3.3389, 标准差: 0.3381
SCA：最差值: -3.8503, 最优值: -3.862, 平均值: -3.8545, 标准差: 0.0027743
函数：F20
INFO：最差值: -3.2031, 最优值: -3.322, 平均值: -3.2586, 标准差: 0.060328
GWO：最差值: -3.0867, 最优值: -3.322, 平均值: -3.2668, 标准差: 0.082672
PSO：最差值: -2.8968, 最优值: -3.322, 平均值: -3.2076, 标准差: 0.12944
GSA：最差值: -0.876, 最优值: -2.4729, 平均值: -1.5901, 标准差: 0.49619
SCA：最差值: -2.0328, 最优值: -3.1254, 平均值: -2.8795, 标准差: 0.28563

实验结果表明了INFO算法在开发、探索、避免局部最优和收敛速度方面的有效性。

2、工程优化

以压缩弹簧设计、三杆桁架设计、工字梁设计优化问题为例，具体问题模型请参考这里。各参数设置和上节相同，结果如下：

F1: 压缩弹簧设计问题
INFO：最差值: 0.014103, 最优值: 0.012665, 平均值: 0.012886, 标准差: 0.00033218
GWO：最差值: 0.013363, 最优值: 0.012678, 平均值: 0.012789, 标准差: 0.00015308
PSO：最差值: 0.030455, 最优值: 0.012665, 平均值: 0.013612, 标准差: 0.0033528
GSA：最差值: 0.48936, 最优值: 0.012725, 平均值: 0.045476, 标准差: 0.093792
SCA：最差值: 0.014848, 最优值: 0.012861, 平均值: 0.013277, 标准差: 0.00046328
F2: 三杆桁架设计问题
INFO：最差值: 263.8958, 最优值: 263.8958, 平均值: 263.8958, 标准差: 1.0119e-08
GWO：最差值: 263.8978, 最优值: 263.896, 平均值: 263.8964, 标准差: 0.00040629
PSO：最差值: 263.8958, 最优值: 263.8958, 平均值: 263.8958, 标准差: 3.8059e-14
GSA：最差值: 278.5883, 最优值: 264.2763, 平均值: 267.8222, 标准差: 3.6488
SCA：最差值: 263.9562, 最优值: 263.9012, 平均值: 263.9199, 标准差: 0.014704
F3: 工字梁设计问题
INFO：最差值: 0.013074, 最优值: 0.013074, 平均值: 0.013074, 标准差: 3.8786e-14
GWO：最差值: 0.013078, 最优值: 0.013074, 平均值: 0.013075, 标准差: 7.4514e-07
PSO：最差值: 0.014654, 最优值: 0.013074, 平均值: 0.013161, 标准差: 0.00029141
GSA：最差值: 0.21933, 最优值: 0.015665, 平均值: 0.10293, 标准差: 0.050627
SCA：最差值: 0.013327, 最优值: 0.013076, 平均值: 0.013145, 标准差: 7.251e-05

实验结果表明：INFO算法对复杂未知搜索领域的实际问题具有很强的优化能力。

三、参考文献

[1] Iman Ahmadianfar, Ali Asghar Heidari, Saeed Noshadian. INFO: An efficient optimization algorithm based on weighted mean of vectors[J]. Expert Systems With Applications, 2022, 195: 116516.

基于向量加权平均算法的函数寻优和工程优化相关推荐

基于人工蜂鸟算法的函数寻优及工程优化应用
文章目录一.理论基础 1.人工蜂鸟算法 (1)初始化 (2)引导觅食 (3)区域性觅食 (4)迁徙觅食 2.AHA伪代码二.仿真实验与分析 1.函数测试与数值分析 2.求解压缩弹簧设计优化问题 3 ...
基于人工兔优化算法的函数寻优和工程优化
文章目录一.理论基础 1.人工兔优化算法 (1)绕道觅食(探索) (2)随机躲藏(开发) (3)能量收缩(从探索转向开发) 2.ARO算法伪代码二.仿真实验与结果分析 1.函数寻优 2.工程优化 ...
基于蚁群算法的函数寻优算法
文章目录一.理论基础二.案例背景 1.问题描述 2.解题思路及步骤三.MATLAB程序实现 1.清空环境变量 2.初始化参数 3.构建解空间和目标函数 4.迭代寻优 5.结果显示 6.绘图四. ...
基于蛾群算法的函数寻优算法
文章目录一.理论基础 1.蛾群算法 (1)探路阶段 (2)勘探阶段 (3)观察阶段 2.MSA算法流程二.仿真实验与结果分析三.参考文献一.理论基础 1.蛾群算法蛾群算法(Moth swar ...
基于帝国竞争算法的函数寻优算法
文章目录一.理论基础 1.帝国竞争算法 1.1 国家初始化 1.2 殖民地同化 1.3 帝国竞争 1.4 国家汇聚 2.ICA算法流程图二.仿真实验与分析三.参考文献一.理论基础 1.帝国竞争 ...
基于人工蜂群算法的函数寻优算法
文章目录一.理论基础二.算法流程 1.初始化阶段 2.引领蜂阶段 3.跟随蜂阶段 4.侦察蜂阶段 5.食物源三.MATLAB程序实现 1.清空环境变量 2.问题设定 3.参数设置 4.初始化蜜蜂 ...
基于入侵杂草算法的函数寻优算法
文章目录一.理论基础 1.算法简介 2.杂草特性二.案例背景 1.问题描述 2.解题思路及步骤 (1) 初始化种群 (2) 繁殖 (3) 空间分布 (4) 竞争性排斥规则 3.算法流程三.MAT ...
基于黏菌算法的函数寻优算法
文章目录一.理论基础 1.黏菌算法 (1)接近食物 (2)包裹食物 (3)获取食物 2.SMA算法伪代码二.仿真实验与分析三.参考文献一.理论基础 1.黏菌算法黏菌算法(Slime Moul ...
基于协作搜索算法的函数寻优及工程优化
文章目录一.理论基础 1.协作搜索算法 (1)团队建立阶段 (2)团队沟通算子 (3)反思学习算子 (4)内部竞争算子 2.CSA算法伪代码二.仿真实验与结果分析 1.函数优化 2.工程优化三. ...

基于向量加权平均算法的函数寻优和工程优化

文章目录