采用混合策略的改进学生心理优化算法

针对标准学生心理优化算法（SPBO）的不足,分析了学生学习心理特征,提出采用混合策略的改进学生心理优化算法（HSSPBO）。首先,以学生考试总分的倒数值作为该学生的适应度值,以全班最好学生的适应度值为基准将全班学生分成最好学生、好学生、普通学生和尝试随机改进的学生四个类别;其次,利用正弦平方和余弦平方这一动态切换概率来平衡全局探索和局部开发,使算法全局探索能力和局部开发能力均得到有效提升;再次,引入柯西变异策略改变局部搜索步长,有效提升算法的局部搜索能力,增强算法跳出局部最优的能力;最后,引用Lévy飞行策略,使个体搜索步长更具随机性和灵活性,有效增强个体寻优能力,进而提升了算法的寻优速度。通过12个基准函数的仿真实验并与六个优化算法相比较,结果表明HSSPBO的全局搜索能力得到了明显的提升,在函数优化中具有更快的全局收敛速度、更好的优化精度和稳定性。     

融合分区导向搜索与自适应扩散的新型Lichtenberg算法

针对Lichtenberg算法收敛速度慢、易陷入局部最优等问题，提出融合分区导向搜索与自适应扩散的新型Lichtenberg算法（novel Lichtenberg algorithm，NLA）。根据群体粒子的适应度值将搜索空间分为中心区域和边缘区域，分别利用螺旋系数的动态趋向性和Levy变异的随机性，对中心区域和边缘区域的粒子进行位置更新，提高种群多样性，加强算法的全局搜索能力；引入自适应扩散策略，充分利用群体各个粒子的位置和适应度值信息来指导其进行信息交流，避免算法陷入局部极值，提高算法的局部优化能力。采用CEC2021测试函数和20个不同特点的高维测试函数进行数值实验，并将NLA算法与六种不同类型的智能优化算法进行对比，实验结果表明，NLA算法具有更高的寻优精度和收敛速度。最后验证了两种改进策略对NLA算法的有效性。     

基于围攻机制的改进鲸鱼优化算法

针对传统鲸鱼优化算法全局探索能力不足、收敛精度低、速度慢等问题,提出一种基于围攻机制的改进鲸鱼优化算法.首先,使用Tent混沌映射和非线性参数,使种群的分布更均匀,并且协调了鲸鱼优化算法的探索与开发能力;其次,考虑算法适应度在寻优中的重要作用,提出限制适应度控制和高斯检测机制;最后,结合哈里斯鹰优化算法的围攻机制,提升鲸鱼优化算法的全局探索和局部寻优的能力.将改进的算法与多种算法在13个可变维基准函数上进行仿真测试,结果表明,基于围攻机制的改进鲸鱼优化算法,在拥有较好鲁棒性和稳定性的同时,能够保证收敛精度与速度.     

采用混合搜索策略的阿奎拉优化算法

针对阿奎拉优化算法（AO）存在的不足,提出一种采用混合搜索策略的阿奎拉优化算法（HAO）。首先,利用动态调整函数平衡算法的全局探索与局部开发;其次,利用混沌自适应权重来增强算法的全局搜索能力、加快算法的收敛速度;最后,设计新的个体变异概率系数,采用改进型差分变异策略,利用适应度值较优个体引领群体中其他个体开展搜索活动,保持了种群的多样性,增强了算法跳出局部最优能力。通过八个基准测试函数和10个CEC2019测试函数,以及一个工程应用问题的数值实验仿真对所提算法进行实验验证。实验结果表明,所提算法的全局收敛速度和优化精度均得到了明显地改善,跳出局部最优的能力得到了增强。     

分段权重和变异反向学习的蝴蝶优化算法

针对原始蝴蝶优化算法容易陷入局部最优解、收敛速度慢及寻优精度低等问题,提出分段权重和变异反向学习的蝴蝶优化算法。通过飞行引领策略来矫正邻域内蝴蝶的自身飞行,降低盲目飞行,增强算法跳出局部最优的能力;引入分段权重来平衡全局勘探及局部开发的能力,进而实现蝴蝶位置动态更新;使用变异反向学习对位置进行扰动,增加种群多样性以及提高算法的收敛速度。通过对9个测试函数和部分CEC2014函数及Wilcoxon秩和检验来评估改进算法的寻优能力,实验结果表明改进算法的收敛速度及寻优精度得到了极大改进。     

基于多种群的改进粒子群算法多模态优化

针对多模态函数寻优过程中开发与探索能力难以平衡的问题,提出一种基于多种群的改进粒子群算法（EMSPSO）。该算法在基于种群的粒子群算法（SPSO）的基础上改进了种群生成策略,通过在个体最优值中选择种子,将粒子群分为若干独立进化的种群,增强了算法收敛的稳定性;为了提高粒子的利用率、算法的全局搜索能力和搜索效率,引入冗余粒子重新初始化策略;同时为了防止算法在寻优的过程中遗漏适应度较优的极值点,对速度更新公式进行改进,使算法的开发与探索能力得到了有效的均衡。最后选用6个典型的测试函数进行对比实验,实验结果表明,EMSPSO具有较高的多模态寻优成功率与较优的全局极值搜索性能。     

多策略协同改进的阿基米德优化算法及其应用

针对阿基米德优化算法（AOA）寻优过程中存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合多策略的阿基米德优化算法（MAOA）。首先,采用随机高斯变异策略选取适应度优的多个个体引导种群向最优解区域寻优,增强全局搜索能力;其次,利用多种混沌映射的随机性、遍历性和多样性,引入局部混沌搜索策略扩大混沌空间的搜索范围,提高算法的局部开发能力;同时,为了协调算法的全局勘探和局部开采能力,提出一种非线性动态密度降低因子;最后,利用Levy飞行引导机制的黄金正弦策略对种群位置进行扰动更新,增加迭代过程中种群的多样性,提高算法跳出局部最优的能力。通过对12个基准测试函数和部分CEC2014测试函数进行仿真实验,结果表明所提算法能够改善AOA全局探索能力弱、易陷入局部最优等缺点,提高AOA的寻优精度和稳定性。另外,引入机械设计案例进行测试分析,进一步验证MAOA在处理实际问题上的适用性和可行性。     

改进的菌群算法研究

为了提高菌群寻优算法（ Bacterial Foraging Optimization, BFO）的搜索能力和解决多峰值复杂适应度函数模型避免过早收敛的问题,文中对原始菌群算法进行改进,提出多峰值菌群算法。将寻优过程分成两个时期,前期和原始菌群算法相同,在菌群收敛的后期,加入峰值数目和区间的判断,将区间编号,保证区间内部单峰值;然后在区间内部迭代运行菌群搜索,独立寻优,在多峰值和较复杂模型的情况下进行研究和评估。实验表明,在收敛速度、收敛稳定性和寻找全局最优方面均优于原始菌群算法。     

改进的菌群算法研究

为了提高菌群寻优算法（Bacterial Foraging Optimization,BFO）的搜索能力和解决多峰值复杂适应度函数模型避免过早收敛的问题,文中对原始菌群算法进行改进,提出多峰值菌群算法。将寻优过程分成两个时期,前期和原始菌群算法相同,在菌群收敛的后期,加入峰值数目和区间的判断,将区间编号,保证区间内部单峰值;然后在区间内部迭代运行菌群搜索,独立寻优,在多峰值和较复杂模型的情况下进行研究和评估。实验表明,在收敛速度、收敛稳定性和寻找全局最优方面均优于原始菌群算法。     

融合多策略改进的黏菌优化算法

针对黏菌优化算法(Slime Mould Algorithm, SMA)的寻优过程存在收敛效率较低、容易陷入局部最优解等问题，文中提出融合多策略改进的黏菌优化算法(Improved SMA Fused with Multi-strategy, MISMA).引入Halton序列，丰富初始种群的多样性，提升算法寻优的遍历性和收敛精度.融入差分变异思想，改进算法的全局位置更新公式，强化全局探索能力，增强算法的持续寻优性能.糅合改进收敛因子和精英选择机制的局部搜索策略，提升算法的局部开采能力，更好地平衡算法的全局探索与局部开发进程.基于动态边界的透镜成像学习策略改善个体的质量，加强算法反早熟及摆脱局部最优解的能力.在13个基准函数及部分CEC2014测试函数上的数值仿真实验表明，MISMA具有较强的鲁棒性.此外，在光伏电池组件模型参数优化实验上进一步验证MISMA在处理实际工程优化问题时的优越性及适用性.     

融合Sin混沌和分段权值的阿基米德优化算法

针对阿基米德优化算法（Archimedes optimization algorithm,AOA）存在全局搜索能力弱、收敛精度低,易陷入局部最优等问题,提出融合Sin混沌和分段权值的阿基米德优化算法（SAOA）。采用无限折叠迭代的Sin混沌反向学习策略初始化种群,提高初始阶段解的质量,为全局搜索多样性奠定基础;引入算数交叉算子,将当前个体向与全局最优个体进行交叉,引导种群向最优解区域寻优,提高全局搜索能力;引入分段权值策略,平衡算法的全局勘探与局部开发能力,降低算法陷入局部最优的概率;通过对8个测试函数和部分CEC2014函数进行仿真实验及Wilcoxon秩和检验来评估改进算法的寻优性能,实验结果表明改进算法在搜索精度、收敛速度和稳定性等方面均有较大提升。另外,引入优化机械设计案例进行测试分析,进一步验证SAOA在工程优化问题上的可行性和适用性。     

引入生态扩张主义的改进生物地理学优化算法

针对生物地理学优化算法(biogeography-based optimization,BBO)前期搜寻范围不足、后期易陷入局部最优等问题,提出一种引入生态扩张主义(ecological imperialism,EI)的改进生物地理学优化算法(EI-BBO).首先,该算法通过在原始栖息地的周围寻找新栖息地,增强了初始化群体的多样性;其次,通过对栖息地进行改良式扩张,提高了算法后期的收敛效率;最后,通过梯度下降对最优解领域进行二次收敛,提高了算法的收敛精度.在CEC2014常用的12个优化测试函数上进行50次蒙特卡罗实验,结果表明无论是最优适应度值、平均适应度值还是标准差值EI-BBO,该算法总体表现均优于其他三种智能优化算法,说明EI-BBO能够提高寻找最优解的能力并提升搜索稳定性.     

透镜成像反向学习的精英池侏儒猫鼬优化算法

侏儒猫鼬优化算法（dwarf mongoose optimization,DMO）是新提出的一种元启发式算法，该算法具有较强的全局探索能力和稳定性，但由于原始算法中仅依靠雌性首领带领整个猫鼬种群进行搜索，会产生收敛速度较慢、易陷入局部最优以及探索阶段与开发阶段之间的平衡较差等问题。针对上述问题，提出一种融合透镜成像反向学习的精英池侏儒猫鼬优化算法（improved dwarf mongoose optimization,IDMO），采用透镜成像反向学习策略，避免算法在迭代过程中陷入局部最优，增强算法的探索能力；在阿尔法组觅食时引入精英池策略，提高了算法的收敛精度，进一步增强算法探索能力。通过基准测试函数进行实验，表明IDMO算法具有良好的寻优性能和鲁棒性，且算法收敛速度得到显著提升。通过对汽车碰撞优化问题的求解，进一步验证了IDMO算法具有良好的适用性和有效性。     

融合莱维飞行与黄金正弦的蚁狮优化算法

针对蚁狮优化算法较易陷入局部最优停滞、收敛精度低以及收敛速度较慢等问题,将莱维飞行机制和黄金正弦算法融合到蚁狮优化算法中,提出了融合莱维飞行与黄金正弦的蚁狮优化算法（LGSALO）。该算法利用 Levy 飞行的变异机制对寻优过程中位置更新方式进行变异操作,可以改善种群多样性,使得算法跳出局部最优,提高全局寻优能力,并在一定程度上避免了算法的过早收敛;同时引入黄金正弦算法改进精英蚁狮的寻优方式,协调算法的全局探索与局部开发能力。实验仿真结果表明,该改进算法的寻优性能良好,开发能力强。     

基于适应度反馈作用的PSO算法改进

粒子群优化算法的收敛速度较慢、精度较低、稳定性欠佳。为此,提出一种基于适应度反馈作用的改进粒子群优化算法。在运行过程中,根据粒子相邻2次迭代的适应度变化,对适应度变化值归一化处理后,将其反馈给惯性权重,以削弱粒子寻优过程中的适应度振荡幅度,增强粒子群跳出局部最优的能力。测试结果表明,该算法的全局搜索能力得到提高,具有较高的收敛速度和稳定性。     

考虑距离因素与精英进化策略的平衡优化器

针对平衡优化器（EO）存在寻优精度低、收敛速度慢、容易陷入局部最优的不足,提出一种考虑距离因素与精英进化策略的平衡优化器（E-SFDBEO）。该算法首先在平衡池候选解的选择中引入距离因素,通过自适应权重平衡适应度值和距离,调节算法在不同迭代时期的探索和开发能力;其次引入精英进化策略（EES）,以精英自然进化和精英随机变异两种方式提升算法的收敛速度和精度;最后使用自适应t分布变异策略对部分个体施加扰动,并以贪心策略对个体进行保留,使算法能够有效跳出局部最优。在仿真实验中对所提算法与4种基本算法和2种改进算法在10个基准测试函数进行比较,并对算法进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和更高的求解精度。     

新型飞蛾火焰优化算法的研究

飞蛾火焰优化算法（Moth-Flame Optimization，MFO）是一种自然激励且易于实现的全局优化算法，在许多实际优化任务中表现出良好的性能。然而，MFO算法存在早熟收敛和容易陷入局部最优解的问题，针对这些不足，提出了一种Kent混沌动态惯性权值的改善飞蛾火焰优化算法（Ameliorative MFO，AMFO）。在AMFO算法中，引入Kent混沌映射搜索策略帮助当前最优解跳出局部最优；采用基于适应度值和迭代次数的动态惯性权值策略来平衡算法的开发和探索能力，以进一步提升MFO算法性能。在8个经典benchmark函数上验证AMFO算法的搜索精度和性能，并将其结果与标准飞蛾火焰优化算法、粒子群算法和差分进化算法进行比较，仿真结果表明AMFO算法具有较好的搜索性能。     

融合折射学习和改进天牛须搜索的黑猩猩优化算法及其应用

针对黑猩猩优化算法(ChOA)寻优存在全局搜索能力弱、收敛精度低、易陷入局部最优等缺陷,提出一种融合折射学习和改进天牛须搜索的黑猩猩优化算法(BCRChOA)。首先,借鉴天牛须算法搜索能力强和Levy飞行机制搜索方向和步长的不确定性的特点,将Levy飞行改进的天牛须搜索算法对ChOA进行搜索优化,提高ChOA的全局搜索能力;其次,在“攻击者”个体位置更新阶段引入云自适应动态权值,以协调算法全局探索和局部开发能力;最后,采用基于折射定律的反向学习策略提高算法跳出局部最优的能力。实验选取10个基准测试函数、部分CEC2014测试函数以及工程优化案例,将BCRChOA与最新的元启发式算法及其改进算法进行跨文献对比,结果表明BCRChOA在寻优能力和鲁棒性上均显著优于原始算法和对比文献。     

受春秋战国史实启发的帝国竞争改进算法

针对帝国竞争算法过早收敛导致的求解高维函数时易陷入维数灾难的问题，受我国春秋战国时期诸侯国争雄称霸史实启发，提出了一种改进的帝国竞争算法。首先，在初始化国家阶段引入“合纵连横”竞争机制，以增强信息交互，保留较优种群；其次，在帝国同化过程中借鉴由国家各层面逐步渗透同化的殖民统治策略，以提升算法的开发能力；最后，加入判断并跳出局部最优的机制，避免“早熟”影响寻优性能。仿真实验中，利用8个经典标准函数验证改进算法的寻优能力、收敛速度及高维函数适用性，并对比分析三种跳出局部最优的方案；此外进行CEC2017测试函数实验，选取近年来在算法改进研究领域具有代表性的5种先进算法和所提改进算法进行比较，结果显示改进算法的寻优精度较高并且稳定性较强；而经Kendall相关系数分析可知，改进算法与原始算法在寻优性能上具有显著差异并且同化改进措施在性能提高中的贡献度最大。     

基于亚群和差分进化的混合蜻蜓算法

针对蜻蜓算法（DA）存在开发能力弱、种群多样性低、易过早收敛至局部最优等问题，提出一种基于亚群和差分进化的混合蜻蜓算法（HDASDE）。首先，对基本蜻蜓算法进行改进：融入混沌因子和有目的的莱维飞行来提升蜻蜓算法的寻优能力，并提出混沌跃迁机制加强基本蜻蜓算法的勘探能力；其次，在差分进化（DE）算法的基础上引入反向学习加强DE算法的开发能力；再次，利用亚群策略提高算法跳出局部最优的能力，设计了一种动态双亚群策略将整个种群划分为动态变化的两个亚群；然后使用动态亚群结构将改进蜻蜓算法和改进DE算法进行融合，融合后的算法具有较好的全局勘探能力以及较强的局部开发能力。最后，将HDASDE应用于13个典型的复杂函数优化问题和三杆桁架的设计优化问题，并与原始的DA、DE算法以及其他元启发式优化算法进行对比。实验结果表明，HDASDE在所有13个测试函数中优于DA、DE、人工蜂群（ABC）算法；在12个测试函数中优于粒子群优化（PSO）算法；在10个测试函数中优于灰狼优化（GWO）算法。并且，在三杆桁架的设计优化问题中效果较好。