精英反向与二次插值改进的黏菌算法

针对基本黏菌算法(slime mould algorithm,SMA)易陷入局部最优值、收敛精度较低和收敛速度较慢的问题,提出精英反向学习与二次插值改进的黏菌算法(improved slime mould algorithm,ISMA).精英反向学习策略有利于提高黏菌种群多样性和种群质量,提升算法全局寻优性能与收敛精度;利用二次插值生成新的黏菌个体,并用适应度评估更新全局最优解,有利于增强算法局部开发能力,减少算法收敛时间,使算法跳出局部极值.通过求解多个单模态、多模态和高维度测试函数进行不同算法之间的对比,结果显示,结合两种策略的ISMA具有较高的寻优精度、寻优速度和鲁棒性.     

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。     

动态反向搜索更新位置的改进灰狼优化算法

针对灰狼优化算法（GWO）后期收敛速度慢、易陷入局部最优等问题,提出一种动态反向搜索更新位置的改进灰狼优化算法（DAGWO）。该算法在原始的位置更新公式中引入个体历史最优位置引导策略,以加快算法的收敛速度;同时,引入反向搜索因子,该因子依据种群早熟判别指标动态调节自身取值,在算法陷入局部极值时令灰狼个体向整个种群中最差个体方向进行反向搜索,以提高种群跳出局部极值的能力。此外,构造了一种新型局部扰动的非线性收敛因子[a],以平衡算法的全局和局部搜索能力。对20个经典测试函数进行仿真实验,结果表明在求解精度、收敛速度和算法的稳定性上,DAGWO算法与标准智能优化算法和其他相关改进算法相比更有优越性。     

双策略学习和自适应混沌变异的郊狼优化算法

针对郊狼优化算法（coyote optimization algorithm,COA）存在收敛速度慢、求解精度低、易陷入局部最优的不足,提出一种基于双策略学习机制和自适应混沌变异策略的改进郊狼算法（coyote optimization algorithm based on dual strategy learning and adaptive chaotic mutation,DCSCOA）。首先,引入振荡递减因子,以产生具有多样性的个体来增强全局搜索能力;其次,利用双策略学习机制,适度地增强组群头狼的影响,以平衡算法的局部挖掘能力和全局搜索能力,同时提高算法的求解精度和收敛速度;最后,使用自适应混沌变异机制,在算法停滞时产生新个体,以使算法跳出局部最优。通过对20个基本测试函数和11个CEC2017测试函数进行仿真实验,结果验证了改进算法具有更高的求解精度、更快的收敛速度和更强的稳定性。     

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。     

自适应变异蝴蝶优化算法

针对基本蝴蝶优化算法存在的收敛速度慢、求解精度低和易陷入局部最优等问题，提出一种自适应变异蝴蝶优化算法。首先，利用改进帐篷映射结合重心反向学习初始化种群，获得更好的初始解；其次，在位置更新处引入非线性惯性权重，平衡算法的全局搜索与局部搜索能力；最后，在算法运行过程中，根据群体适应度方差以及当前最优解大小来决定是否对当前最优解和最差解进行高斯变异二次寻优，增强算法跳出局部最优的能力。对12个基准测试函数的多种维度仿真实验结果表明，该算法在收敛速度、求解精度和寻优稳定性方面明显优于其他对比算法。     

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.     

融合麻雀搜索和随机差分的双向学习平衡优化器算法

针对平衡优化器算法(Equilibrium Optimizer, EO)求解精度低、收敛速度慢等问题，提出一种融合麻雀搜索和随机差分的双向学习平衡优化器算法。首先，给出了基于麻雀搜索算法的自适应种群划分策略，以平衡算法的全局探索和局部勘探，从而提高算法的收敛精度和收敛速度。其次，引入随机差分策略来重建平衡池，增加个体之间的信息交流，以利于算法跳出局部最优。最后，设计了一种双向混沌反向学习策略并将其应用到更新后的种群，以增加种群多样性，从而进一步提高算法的收敛精度。通过14个测试函数进行仿真实验，使用Wilcoxon秩和检验以及平均绝对误差来评价算法性能，并将改进算法应用到两个工程设计问题，实验结果验证了3种改进策略的有效性，且改进算法的收敛精度、收敛速度和鲁棒性都有显著提高。     

多阶段动态扰动和动态惯性权重的布谷鸟算法

针对布谷鸟仿生智能优化算法存在着的易陷入局部最优、求解精度低以及收敛速度慢等问题,提出了基于多阶段动态扰动和动态惯性权重的布谷鸟搜索算法（MACS）。利用多阶段动态扰动策略对布谷鸟算法的全局位置的最优鸟巢位置根据方差可调的正态随机分布进行扰动,有利于增加种群的多样性和鸟窝位置的灵活性,提高算法全局搜索能力。在局部位置处引入动态惯性权重,使得算法有效克服易陷入局部最优的缺陷,提高局部寻优搜索能力。引入了动态切换概率[p]代替固定概率,可以动态平衡全局搜索和局部搜索。通过与4种算法相比和11个测试函数的仿真结果表明：改进布谷鸟算法（MACS）的寻优性能明显提高,收敛速度更快,求解精度更高,具有更强的全局搜索能力和跳出局部最优能力。     

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。     

双重反馈机制的蚁狮算法

针对基本蚁狮算法存在的收敛精度低、易陷入局部最优解的缺陷,将蚁狮能力和种群改善率的特征作为双重反馈信息引入ALO算法,提出双重反馈机制的蚁狮算法DFALO。DFALO算法运用动态自适应反馈调整策略以动态调整陷阱大小而提高收敛精度;利用时空混沌探索策略提高了全局搜索能力,避免算法陷入局部最优;采用多样性反馈高斯变异策略增强种群的多样性而避免算法出现早熟。八个标准测试函数仿真测试表明,DFALO在平衡全局搜索和局部开发能力上有显著提高,收敛速度快、全局搜索能力强、求解精度高。     

基于反向学习和精英提升的无速度项动态粒子群算法

针对粒子群优化算法在处理复杂优化问题时搜索精度低、收敛速度慢且易陷入局部最优的问题，提出一种基于反向学习和精英提升的动态多种群无速度项粒子群算法。首先基于无速度项的粒子位置更新模式，动态划分子群并采用不同的进化策略，利用反向学习为子群拓宽搜索范围，保证种群多样性的同时避免粒子过早陷入局部最优。然后为充分利用优秀粒子的信息并提高搜索精度，改进精英提升策略优化个体历史最优粒子，使用差分进化算法对种群最优粒子进行更新。最后通过CEC2006提出的22个测试函数进行性能测试。结果表明，本文提出的算法相比于其他算法在搜索精度和稳定性上拥有更加出色的性能，并能有效提升算法收敛速度。     

动态调整成长方式的郊狼优化算法及其应用

郊狼优化算法在迭代运行时种群多样性降低,收敛速度变慢,易陷入局部最优,并且在求解约束优化问题时难以获得可行解。提出一种动态调整成长方式的郊狼优化算法（DGCOA）。在狼群进化中引入变异交叉策略,增强种群多样性,基于郊狼成长策略加入全局最优个体指导搜索,使得每个子种群中的个体从不同的方向快速逼近最优解位置,并根据种群中个体相似度对郊狼位置更新方式进行调整,平衡算法的全局探索与局部开发能力。在求解约束优化问题时,利用自适应约束处理方法构建新的适应度函数,协调优化目标和约束违反度。基于CEC2006对22个测试函数和3个工程设计问题进行仿真,结果表明,与COA、ICTLBO、ODPSO等算法相比,DGCOA算法具有较高的收敛精度和稳定性,适用于求解复杂优化问题。     

一种多策略融合的人工蜂鸟算法

为提升基本人工蜂鸟算法的收敛速度和求解精度，提出了一种多策略融合的人工蜂鸟算法。首先，利用混沌反向交流策略初始化蜂鸟位置，提高初始种群的多样性；然后，通过概率动态调节函数控制蜂鸟的引导觅食和区域觅食行为，并且引入自适应螺旋改进迁移觅食行为，协调全局探索与局部搜索能力；最后，利用柯西高斯变异策略对最优蜂鸟的位置进行扰动，提高算法跳出局部最优的能力。利用9个基准测试函数进行仿真实验，并与其他5种最新的优化算法进行对比。仿真结果表明，所提算法的收敛速度更快、求解精度更高、稳定性更强。     

基于改进邻域搜索策略的人工蜂群算法

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.     

混合策略改进鲸鱼优化算法

针对标准鲸鱼优化算法（whale optimization algorithm,WOA）易陷入局部最优解、收敛精度低、收敛速度慢等问题,提出一种利用混合策略改进的鲸鱼优化算法（multi-strategy improved whale optimization algorithm,MSIWOA）。首先采取精英反向策略初始化种群,提高初始种群质量;其次,采取卡方分布的逆累积分布函数更新收敛因子以实现全局探索和局部开发的平衡;然后利用改进氏族拓扑结构强化种群的全局探索能力,并提高算法收敛速度;最后采取Circle映射产生混沌解,结合贪婪策略保留较优解,以帮助种群跳出局部最优解。通过对10个基准测试函数以及CEC2019测试函数进行仿真实验,结果表明,MSIWOA在收敛精度和收敛速度上均有较明显的提升。     

引入混合蛙跳搜索策略的人工蜂群粒子群算法

由于标准粒子群算法易于陷入局部最优和收敛速度慢等问题,提出了一种引入人工蜂群搜索策略和混合蛙跳搜索策略的粒子群算法（ABCSFL-PSO）。使用人工蜂群的搜索策略提高算法的探索能力,避免算法陷入局部最优;使用蛙跳算法中更新最差粒子的策略,来加快算法收敛速度,并进一步提高求解精度。在12个标准测试函数上的仿真实验结果表明,算法性能优良,不仅能够避免陷入局部最优,而且显著提升了收敛速度。     

基于自适应更新策略的蚁群算法在TSP上的应用

针对传统蚁群算法收敛性不好、易陷入局部最优的问题,提出了自适应更新策略的蚁群算法（Adaptive Update-Ant Colony System,AU-ACS）,有效地平衡了种群多样性和算法收敛速度。算法前期通过自适应地改变信息素挥发值,由信息素挥发值动态约束信息素值,从而提高了种群多样性;运行后期奖励当前迭代最优路径的信息素,通过加大最优路径的相对引导作用,从而加快收敛速度;最后加入改进的子路径贡献度,根据阈值因子自适应调整局部最优路径的信息素,达到平衡种群多样性和收敛速度的目的。在与传统蚁群算法在旅行商问题（Travelling Salesman Problem,TSP）中对比表明,改进后算法求解的精度更高、稳定性增强。     

自适应合并与分裂的多种群差分进化算法

针对差分进化（DE）算法存在的早熟收敛与搜索停滞问题,提出了自适应合并与分裂的多种群差分进化算法。算法将种群划分为多个子种群,引入子种群优劣因子来评价种群的优劣性,实现种群间的自适应合并与分裂;对于种群中的各个个体,采取基于精英池学习的变异算子,结合优秀个体进行自适应学习调整,使算法达到全局搜索与局部搜索能力的平衡;在算法后期引入扰乱策略,保证算法快速收敛的同时有效地跳出局部极值点,提高算法寻优的精度。在30个标准测试函数的实验结果表明,改进算法能有效解决早熟和陷入局部最优的问题。     

多策略自适应变异的差分进化算法及其应用

针对传统DE算法在求解复杂函数时会出现早熟收敛、收敛精度低、收敛速度慢等缺陷，提出了一种多策略自适应变异的差分进化算法MsA-DE。将3种变异策略两两结合，随机分配所占比重，以增加种群的多样性；通过引入进化程度阈值，自适应地选择最合适的变异策略，平衡算法的全局搜索和局部搜索能力；对越界的变异个体进行处理，保证种群的多样性和有效性。加入扰动机制提高算法跳出局部最优的能力，同时提高最优解的精度。将该算法用于14个测试函数的优化中，结果表明，MsA-DE算法与其它4种算法相比具有更高的收敛精度和跳出局部最优的能力。将该算法应用于铁路功率调节器RPC的容量优化问题中，结果表明，该算法能够减小RPC补偿装置的容量，提高装置的经济性。