Genliang Li, Haixing Chen ve Yiqing Cao, yeni eniyileştirme yönteminde başarılı çözümler arasındaki ilişkileri, sıralamaya göre öğrenmeyi ve ilerleme durduğunda devreye giren değişimleri birleştirdi. CGPBPBO, araştırmadaki başarım sınamalarında temel BPBO yöntemini geçti ve hava aracı benzetiminde rota giderini azalttı. Matris ayrıştırmanın ek işlem yükü, kazanımların değerlendirilmesinde sorunun boyutunu da önemli kılıyor.
Genliang Li, Haixing Chen ve Yiqing Cao, karmaşık çözüm alanlarında arama yapan BPBO eniyileştirme algoritmasını CGPBPBO adıyla uyarladı. Başarılı çözümleri tutan bellek, değişkenlerin birlikte nasıl değiştiğini ölçen kovaryansı kullanarak arama yönlerini döndürüyor. Sıralamaya dayalı öğrenme, adayların davranışını başarıma göre değiştiriyor. İlerleme durduğunda ise Gauss ve Cauchy dağılımlarını birleştiren değişim yöntemi devreye giriyor.[1]
Sınamalarda CEC2017 ve CEC2022 adlı eniyileştirme başarım kümeleriyle 30 bağımsız çalışma yürütüldü. Kullanımdan kaldırılan F2 işlevi çıkarıldıktan sonra CGPBPBO, kalan 29 CEC2017 işlevinin 17’sinde bildirilen en iyi ortalamayı elde etti. Temel BPBO yöntemini 29 işlevin tamamında geçti. CEC2022’de 10 boyutta 12 işlevin hepsinde, 20 boyutta ise 12 işlevin 11’inde temel yöntemden daha iyi sonuç verdi.[1]
İnsansız hava aracının rota planlama benzetiminde ortalama yol gideri 239,8048, standart sapma 26,2686 oldu. Araştırmacılar, temel BPBO’ya göre yol giderinde yüzde 21,74, değişkenlikte yüzde 59,68 azalma bildirdi. Sonuçlar fiziksel uçuş yerine benzetimde elde edildi. Ek işlem yükü, kovaryans matrislerinin ayrıştırılmasıyla ortaya çıkıyor; makale, yüksek boyutlu sorunlarda bu yükü yöntemin sınırlılıkları arasında taşıyor.[1]
