基于切线飞行的麻雀搜索算法

为解决在临近全局最优条件下,原始麻雀搜索算法(sparrow search algorithm, SSA)存在种群多样性降低,局部开发能力薄弱导致不容易跳出局部最优点的问题,提出基于切线飞行的麻雀搜索算法(tangent flight sparrow search algorithm, tanSSA)。首先,使用自适应t分布策略改进发现者位置更新公式,可以提高麻雀个体的寻优能力,同时防止算法早熟。然后,利用切线搜索算法中切线飞行策略所具有的可以增强算法探索搜索空间能力,且能使算法跳出局部最优解的优势,在原始麻雀搜索算法中使用切线飞行扰动策略对最优解进行扰动。这两种策略相结合,可以有效提升tanSSA算法的勘探与开发性能。最后,使用12个标准基准测试函数,结合Wilcoxon秩和检验来测试验证tanSSA算法的优化性能,并与原始SSA算法、鲸鱼优化算法、粒子群优化算法以及自适应t分布SSA算法进行比较。实验证明,基于切线飞行的麻雀搜索算法的寻优能力和收敛速度都有显著提升。     

螺旋探索与自适应混合变异的麻雀搜索算法

针对麻雀搜索算法(SSA)收敛速度慢，易陷入局部最优的问题，提出一种螺旋探索与自适应混合变异的麻雀搜索算法(SHSSA).首先，采用一种无限次折叠的ICMIC混沌初始化种群，增加种群多样性和遍历性，为全局寻优奠定基础；其次，融入一种螺旋探索策略，增强发现者探索未知区域的能力，提高算法的全局搜索性能；然后，提出一种基于精英差分和随机反向的混合变异策略，加快算法收敛速度，改善算法跳出局部最优的能力.基于12个基准测试函数的仿真结果表明，SHSSA与其余3种算法及2种改进的麻雀搜索算法相比，收敛速度更快、寻优精度更高，稳定性更强.最后，将SHSSA应用于多阈值图像分割中，实验结果表明，相较于基本SSA算法，SHSSA的分割速度和分割精度均得到了提升.     

自适应混合策略麻雀搜索算法

针对麻雀搜索算法（sparrow search algorithm,SSA）求解精度低，稳定性不足，易陷入局部最优等问题，提出一种基于自适应混合策略的麻雀搜索算法（adaptive hybrid strategy sparrow search algorithm,AHSSSA）。引入Tent混沌映射初始化种群，增加种群数量，合并两个种群，再利用精英策略得到精英种群，以提高初始解质量；引入自适应周期收敛因子α，加强搜索能力与收敛速度；追随者与预警者位置更新方式调整，在一定程度上防止算法陷入局部最优；引入多项式变异扰动，以解决SSA陷入局部最优问题。利用12种测试函数进行测试，结果表明：AHSSSA比SSA有更好的寻优性能。     

融合正余弦和柯西变异的麻雀搜索算法

针对麻雀搜索算法(SSA)在寻优后期出现能力不足、种群多样性损失、易落进局部极值现象,造成SSA算法收敛速度慢、探索能力不足等问题,提出了融合正余弦和柯西变异的麻雀搜索算法(SCSSA).借助折射反向学习机制初始化种群,增加物种多样性;在发现者位置更新中引入正余弦策略以及非线性递减搜索因子和权重因子协调算法的全局和局部...     

改进麻雀搜索算法优化SVM的方法及应用

针对麻雀搜索算法在迭代后期种群多样性减少、易陷入局部最优等问题，提出改进麻雀搜索算法(ISSA)。引入Sobol序列，提高初始种群的多样性；引入黄金正弦算法，平衡全局搜索和局部开发能力；引入高斯差分变异，提高种群跳出局部最优的能力。10种基准函数的测试结果表明，ISSA有着更好的寻优精度与收敛速度。使用ISSA对SVM的超参数进行寻优，构建分类模型并应用于断路器故障诊断，验证了该方法在工程应用上的可行性。     

融合黄金正弦和曲线自适应的多策略麻雀搜索算法

针对元启发算法中麻雀搜索算法(SSA)的早熟收敛、易陷入局部最优、全局搜索性差等问题进行研究,提出一种融合黄金正弦和曲线自适应的多策略麻雀搜索算法。首先,利用Chebyshev混沌映射初始化种群,使初始解位置分布更为均匀,产生优质初始解,增加种群丰富性;其次,引入黄金正弦和曲线自适应权重改进发现者和加入者位置更新方式,有效协调了全局搜索与局部挖掘能力,加快收敛速度;最后,动态选择随机游走或柯西-t扰动策略对最优麻雀位置进行扰动,提高算法跳出局部最优的能力以及收敛精度。选取14个基准函数进行测试,比较改进算法与其他九个元启发式算法的仿真结果,使用Wilcoxon秩和检验以及MAE(mean absolute error)排序来验证所提改进策略的有效性。结果表明,该算法在全局搜索性、克服局部最优、收敛速度、收敛精度、稳定性都有较大提升。     

求解大规模优化问题的改进麻雀搜索算法

针对麻雀搜索算法在求解大规模优化问题时存在收敛速度慢、寻优精度低和易陷入局部极值的缺点,提出一种基于精英反向学习策略的萤火虫麻雀搜索算法(ELFASSA).首先,通过反向学习策略初始化种群,为全局寻优奠定基础;其次,利用萤火虫扰动策略提高算法跳出局部最优的能力并加速收敛;最后,在麻雀位置更新后引入精英反向学习策略以获取精英解及动态边界,使精英反向解可以定位在狭窄的搜索空间中,有利于算法收敛.通过选取10个高维标准测试函数进行仿真实验,将其与麻雀搜索算法(SSA)及4种先进的改进算法进行性能对比,并与3种单一策略改进的麻雀搜索算法进行改进策略的有效性分析,仿真结果表明, ELFASSA算法在收敛速度和求解精度两方面明显优于其他对比算法.     

融合差分进化和混合多策略的麻雀搜索算法

针对麻雀搜索算法(spar row search algori thm,SSA)存在收敛速度慢、稳定性差和易陷入局部最优等问题,提出融合差分进化和混合多策略的麻雀搜索算法(DEH-SSA)。引入反向学习初始化以增加种群的多样性,避免陷入局部最优;加入非线性权重因子改进麻雀发现者的位置更新公式以平衡算法的局部和全局搜索能力,使算法的收敛速度加快;融合差分进化和精英策略增强SSA算法的全局搜索能力并提高算法的收敛精度。在10个基准测试函数上与其它群智能算法进行比较实验,其结果表明,DEH-SSA具有更高的收敛精度、更快的收敛速度和更好的稳定性,通过Wilcoxon秩和检验方法也验证了DEH-SSA算法具有更好的显著性差异。     

多策略协同改进的麻雀搜索算法

针对麻雀搜索算法(SSA)种群多样性差、易陷入局部最优等问题,提出了一种多策略协同改进的麻雀搜索算法(ISSA)。首先,ISSA采用一种融合转移概率的边界学习策略的发现者位置更新方式,扩大发现者搜索范围并丰富其种群多样性;其次,ISSA在麻雀跟随者更新过程中引入混合粒子群机制,扩大目标跟随个体的选择范围;最后在算法寻优过程中,ISSA利用模糊推理系统动态监控种群陷入局部最优的概率,以差分变异操作提高种群跳出局部最优的能力。采用CEC2017测试函数中的12个函数作为性能基准函数,将ISSA与标准SSA及其他四种改进的麻雀搜索算法(ESSA、CSSOA、SSASC、MSSA)进行性能测试,基于实验数据的Friedman检验表明,ISSA能获取更好的性能。     

融合柯西变异和反向学习的改进麻雀算法

针对基本麻雀搜索算法在迭代后期种群多样性减小,容易陷入局部极值的问题,提出一种融合柯西变异和反向学习的改进麻雀算法(ISSA).首先,采用一种映射折叠次数无限的Sin混沌初始化种群,为全局寻优奠定基础;其次,在发现者位置更新方式中引入上一代全局最优解,提高全局搜索的充分性,同时加入自适应权重,协调局部挖掘和全局探索的能力,并加快收敛速度;然后,融合柯西变异算子和反向学习策略,在最优解位置进行扰动变异,产生新解,增强算法跃出局部空间的能力;最后,与3种基本算法和2种改进的麻雀算法进行对比,对8个基准测试函数进行仿真实验以及Wilcoxon秩和检验,评估ISSA的寻优性能,并对ISSA进行时间复杂度分析.结果表明ISSA与其余5种算法相比,收敛速度更快,精度更高,全局寻优能力得到较大提升.     

融合多策略的增强麻雀搜索算法及其应用

针对麻雀搜索算法（SSA）易陷入局部最优和寻优精度低等问题,提出一种融合多策略的增强麻雀搜索算法（ESSA）。首先,在发现者飞行位置引入莱维飞行和云自适应权重,以扩大算法搜索范围并丰富其种群多样性;其次,通过基于模糊控制的自适应透镜成像策略对当前最优位置进行反向学习,以增强算法跳出局部最优的能力;最后选用CEC2017中的12个函数作为测试集,将ESSA和标准SSA,以及其他四种改进麻雀算法（ISSA、MSSSA、HSSA、SHSSA）进行性能测试。实验结果表明ESSA能够获得更好的搜索性能。将ESSA算法应用于三维无人机路径规划问题,仿真结果表明ESSA在无人机三维路径寻优上也能获取最优的结果。     

融合多向学习的混沌麻雀搜索算法

对于原始麻雀搜索算法（SSA）在迭代过程中表现出的种群多样性减小,易陷入局部最优等问题,提出一种融合多向学习的混沌麻雀搜索算法（MSSA）。利用Hénon混沌映射初始化种群,增加麻雀种群的多样性,扩大可行解的搜索范围,为全局寻优奠定基础;采用多向学习策略增加麻雀跟随者探索未知领域的机会,平衡算法的局部开发性能和全局搜索能力;当算法陷入局部最优时,引用遗传算法中的变异策略依据动态的变异概率对当前最优个体进行扰动变异;将MSSA算法应用到无线传感器网络节点覆盖优化问题。数值实验结果与Wilcoxon秩和检验结果均表明MSSA算法在收敛精度与收敛速度等方面具有更明显的优势。     

基于混合策略改进的麻雀搜索算法

为克服基本麻雀搜索算法(Sparrow Search Algorithm, SSA)存在的迭代过程中种群多样性减少、易陷入局部最优停滞、早熟收敛等不足,提出一种基于混合策略改进的麻雀搜索优化算法(EGSSA)。首先,迭代时利用精英反向学习机制在个体求解过程中计算精英反向解,提升算法寻优过程中种群丰富性和种群质量,为提高算法全局寻优能力以及收敛精度奠定基础;其次,将黄金正弦策略用以改进发现者位置更新方式,协调算法局部开发和全局搜索能力,并且提高算法的收敛能力;最后,在加入者的更新中采用了莱维飞行随机步长,以使新加入者所搜索的范围更为全面,一定程度避免算法陷入“早熟收敛”。选取12个基准测试函数进行仿真实验,分别与4种元启发式算法以及3种改进麻雀搜索算法进行比较,实验结果以及Wilcoxon秩和检验均表明,EGSSA算法具有更好的全局探索能力和稳定性以及较强跳出局部极值的能力。     

融合学习机制的多混沌麻雀搜索算法

针对麻雀搜索算法（SSA)易受初始解的影响陷入局部极值、迭代后期收敛速度慢等缺陷,提出了一种融合学习机制的多混沌麻雀搜索算法（MMCSSA）。首先,引入重心反向学习策略（COBL）生成精英种群增强对多源优质搜索区域的勘探能力,提升算法的局部极值逃逸能力和收敛性能。其次,提出一种动态调整的黄金正弦领导策略并嵌入SSA中以改善发现者的搜索方式,增强算法的全局搜索能力。然后,提出一种基于学习机制的多混沌映射策略,该机制利用多混沌多扰动模式的特性,通过动态调用不同混沌映射赋予算法不同类别的扰动特征。混沌扰动失败时,引入高斯变异策略对当前解进行深度开发,两种策略协同作用,相互促进,极大增强了算法逃逸局部最优的能力。最后,将所提算法应用于12个不同特征的基准函数进行实验,结果表明与其他算法相比,MMCSSA在收敛精度、寻优速度和鲁棒性方面有更好的表现。     

改进的麻雀搜索优化算法及其应用

麻雀搜索算法SSA在求解目标函数最优解时,存在种群多样性不丰富,易陷于局部最优,多维函数求解精度差等问题,针对这些问题提出改进的麻雀搜索算法ISSA。首先,利用反向学习策略初始化种群,增加种群多样性;然后,对步长因子进行动态调整,提高算法的求解精度;最后,在侦查预警的麻雀位置更新公式中引入Levy飞行,提高算法寻优能力和跳出局部极值的能力。将ISSA、SSA和其他算法在8个测试函数上进行求解,并进行秩和检验,仿真结果表明,ISSA具有更高的寻优性能。还将ISSA应用到认知无线电的频谱分配中,实验结果表明,ISSA的系统效益和公平性优于其他算法,验证了ISSA在实际应用中的可行性。     

多策略混合的改进麻雀搜索算法

针对基本麻雀搜索算法（sparrow search algorithm,SSA）在处理复杂优化问题时存在的搜索空间不足、收敛速度慢和易陷入局部最优等问题,提出一种多策略混合的改进麻雀搜索算法（improved sparrow search algorithm based on multi-strategy mixing,IMSSA）。利用Sine混沌映射初始化麻雀个体位置,丰富种群多样性,解决种群分布不均匀、搜索空间不足等问题;引入带有惯性权重的多样性全局最优引导策略来加快收敛速度,调控算法的全局探索与局部开发能力;采用双样本学习策略使算法跳出局部最优,提高种群对解空间的搜索能力。通过测试函数对算法进行仿真实验,验证三种改进策略的有效性,并且进行Wilcoxon秩和检验和时间复杂度分析,结果表明IMSSA算法的各项性能均有显著提升。最后用算法优化支持向量机参数,建立轴承故障诊断模型,进一步证明了改进策略是可行有效的。     

改进型麻雀搜索算法

针对麻雀搜索算法(sparrow search algorithm, SSA)求解精度依赖于较优位置的群体, 易于陷入局部最优等问题, 提出改进型的麻雀搜索算法(improved sparrow search algorithm, ISSA). 该算法首先提出正态偏移策略, 以重心位置为导向进行种群偏移, 实现移动能量的正态分布衰减, 有效提升种群对局部搜索的勘探能力; 其次引入动态正弦扰动策略, 通过缩放因子实现发现者对前期搜索步长和后期快速收敛的双向需求. 然后针对麻雀种群中位置较差的预警者加入反向学习机制, 以预警者当前位置生成扰动的反向解, 有利于扩大搜索步长, 帮助算法跳出局部最优. 最后随机选取6个测试函数并与其他算法进行比较, 实验结果验证了ISSA算法的有效性.     

基于新型非支配排序的多目标麻雀优化算法

针对麻雀搜索算法在求解多目标问题中的不足,并且在求解过程中易陷入局部最优与收敛性差的问题,提出了一种改进的多目标麻雀搜索算法。首先,引入了新型非支配排序,找到最优前沿面;其次,将多项式变异和正余弦算法融合到种群进化策略中,增强其搜索能力,通过竞争机制的种群选择方法,降低搜索过程中局部最优粒子和全局最优粒子导致的误差;最后,将改进算法与多种多目标算法在标准测试函数上进行对比,仿真结果表明,改进算法的收敛性与搜索能力均优于其他算法。由此说明该算法具有可靠的多目标寻优能力,能够有效解决多目标优化问题。     

改进麻雀搜索算法求解物流配送中心选址问题

为提升物流配送效率,降低配送成本,提出一种改进麻雀搜索算法M-SSA求解物流配送中心选址问题。在基本麻雀搜索算法SSA中,设计均匀化Logistic映射机制提升初始种群的均匀性和随机性;利用正余弦优化和惯性权重机制改进发现者位置更新,提升全局搜索能力;引入柯西混沌变异机制增强种群多样性,避免局部最优解。利用M-SSA算法求解物流配送中心选址问题。实验结果表明,在解决配送中心选址问题上,M-SSA算法可以降低物流配送成本,提升配送效率。     

一种改进的麻雀搜索算法

麻雀搜索算法(SSA)作为一种新颖的群体智能优化算法,已被证明具有较好的寻优性能.但由于SSA在某些情况下迭代中后期搜索性减小,种群多样性降低,导致算法存在收敛速度慢、求解精度低、易陷入局部最优解等不足.针对SSA存在的缺陷,融合萤火虫算法(FA)迭代策略,提出了一种加入萤火虫搜索扰动的麻雀搜索优化算法(FSSA).首...