基于t分布变异的改进麻雀搜索算法

针对麻雀搜索算法收敛速度慢、难以跳出局部最优等问题,提出一种基于t分布变异的改进麻雀搜索算法。在更新麻雀种群加入者位置后,引入自适应t分布变异,对加入者位置产生扰动,避免陷入局部最优,增强算法性能;通过比较灰狼优化算法、飞蛾火焰优化算法和原始麻雀搜索算法,在6个基准函数上进行仿真实验。实验结果和Wilcoxon符号秩检验结果都表明所提出的改进麻雀搜索算法的收敛精度与速度均优于其他算法,达到提高算法收敛速度,增强算法跳出局部极值能力的效果。     

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。     

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。     

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。     

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。     

一种改进麻雀搜索算法的收敛性分析及应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等问题,提出一种改进的麻雀搜索算法.首先,采用佳点集策略对麻雀种群初始化,增加种群多样性,提高算法的收敛速度和精度;其次,采用黄金正弦策略优化发现者位置更新过程,进一步平衡算法的全局探索与局部开发能力;最后,采用Levy飞行策略优化跟随者位置更新过程,扩大其搜索空间,改善易陷入局部最优的问题.通过建立马尔科夫链模型从理论角度证明改进算法的收敛性,并选取5个标准测试函数与其他经典群智能优化算法从仿真实验角度验证改进算法的有效性.利用改进算法对变分模态分解参数和回声状态网络参数进行优化,搭建ISSA-VMD-ESN模型并应用到短期电价预测中,通过仿真实验进一步验证了改进算法的优越性.     

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。     

融合多策略的改进麻雀搜索算法

针对麻雀搜索算法收敛速度缓慢、寻优精度不足和容易陷入局部最优等缺点,提出了一种融合正弦搜索策略和多样性变异处理策略的改进麻雀搜索算法。通过引入正弦搜索策略,自适应调整个体权重提高算法收敛速度;针对个体聚集程度过高问题,采用多样性变异处理,引入生物学中种群聚集度的概念和柯西变异对最优解进行扰动,提高算法逃离局部最优的可能。通过九个不同特征的基准函数进行寻优测试,测试结果表明改进算法能够更快地收敛于最优值,有更好的平均值和标准差,表明了其具备更优的收敛速度、收敛稳定性和逃离局部最优值的能力。通过应用该改进优化算法于分数阶PID控制器的参数整定上,进一步验证了改进策略的有效性和可行性。     

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。     

基于Sobol序列和纵横交叉策略的麻雀搜索算法

针对麻雀搜索算法(SSA)容易陷入局部最优、收敛速度较慢等问题,提出一种基于Sobol序列和纵横交叉策略的麻雀搜索算法(SSASC).首先,在初始化阶段引入类随机采样方法中的Sobol序列,以增强种群的多样性和遍历性;其次,提出一种指数形式的非线性惯性权重,从而提高算法的收敛效率;最后,应用纵横交叉策略对算法进行改进,...     

一种多策略改进的麻雀搜索算法

针对麻雀搜索算法在求解复杂优化问题时存在收敛速度慢、种群趋同性严重、易于陷入局部最优等不足,提出一种多策略改进的麻雀搜索算法（multi-strategy improved sparrow search algorithm,MISSA）。通过混沌映射和反向学习机制提高算法初始种群的质量;借鉴粒子群算法的学习策略来提升种群的信息交流能力和兼顾全局勘探与局部开发之间的平衡;融合差分进化算法的变异交叉操作提升算法跳出局部最优值的能力。通过对8个基准测试函数的寻优实验,结果表明改进算法具有更好的优化性能和收敛效率;进一步地,将改进算法应用于优化支持向量回归（support vector regression,SVR）模型的参数,并通过在选定的5个UCI数据集上的实验验证了改进算法的有效性。     

一种用于DGPS整周模糊度解算的混合策略麻雀搜索算法

针对麻雀搜索算法(SSA)在计算差分全球定位系统(DGPS)整周模糊度过程中出现的全局搜索能力弱、易陷入局部最优等问题，提出了混合策略麻雀搜索算法(HSSSA)。首先，通过引入Circle混沌映射初始化种群，提高初始种群的多样性，增强算法的全局寻优能力；其次，将粒子群算法中各个粒子的速度策略引入发现者位置更新公式中，提升算法寻优能力；最后，使用高斯变异策略对最优麻雀位置进行扰动，增强了跳出局部最优的能力。将所提算法应用于9个不同特征的基准函数进行实验，结果表明，HSSSA算法有着良好的寻优精度和收敛速度。在GPS/BDS实测数据的3 000个历元的解算中，相比传统LAMBDA算法和SSA算法，HSSSA算法有着更高的解算成功率，可达99.2%。     

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.     

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。     

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。     

多策略融合的改进麻雀搜索算法及其应用

针对麻雀搜索算法易陷入局部最优、收敛速度慢等不足,提出一种多策略融合的改进麻雀搜索算法.采用精英混沌反向学习策略生成初始种群,增强初始个体的质量和种群多样性,实现对更多优质搜索区域的勘探以提升算法的局部极值逃逸能力和收敛性能;结合鸡群算法的随机跟随策略,优化麻雀搜索算法中跟随者的位置更新过程,平衡算法的局部开发性能和全局搜索能力;采用柯西-高斯变异策略提升算法的种群多样性保持能力和抗停滞能力.对10个不同特征的基准测试函数进行寻优,测试结果与Wilcoxon符号秩检验结果均表明改进算法具有更好的寻优精度、收敛性能和稳定性.最后,利用改进算法对最小二乘支持向量机的参数进行优化,应用于煤与瓦斯突出危险性辨识,通过实验进一步验证改进策略的有效性和改进算法的优越性.     

一种混合麻雀搜索算法

元启发式算法由于可产生多样的解决方案在科学及工业领域受到了广泛的应用,麻雀搜索算法(SSA)是一种相对新颖的基于群体的元启发式算法,已被证明具有较好的寻优求解性能。由于在某些情况下麻雀种群多样性不足,导致算法寻优精度低,易陷入局部最优,因此提出了一种混合麻雀搜索算法(HSSA),首先利用反向对立学习策略提高初始种群质量,其次混合了模拟退火算法的Metropolis准则,避免算法陷入局部最优。为了验证算法的性能,利用HSSA对多个单峰和多峰测试函数进行求解,实验结果表明,与WOA、SSA和IPSO相比,HSSA具有更快的收敛速度和更高的求解精度。     

融合小生境机制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、算法过早收敛等问题,提出一种融合小生境的麻雀搜索算法NSSA。首先,NSSA使用一种基于发现者相似性形成自适应物种的小生境策略将麻雀种群自动划分为以发现者为中心的若干个小种群或物种,且使跟随者朝所属物种内的发现者位置移动,以保持种群的多样性。其次,通过结合模糊逻辑的差分变异并使用发现者所属物种内的其他个体信息对发现者进行变异操作,以提高算法跳出局部最优的能力。选用CEC2017测试集中的12个函数作为实验测试集,将NSSA与CSSOA、ISSA、MSSSA、SHSSA、MSWOA进行性能测试。实验结果表明,在大多数多峰目标函数上,NSSA与排名第二的算法相比,收敛精度提升了10%以上。对NSSA的各改进策略进行了消融实验,结果表明,在综合改进策略的共同作用下,NSSA的综合优化性能排名第一。最后将NSSA应用于压力容器设计问题,结果表明,相比于其他算法,NSSA仍能够获得最优的解。     

融合哈密顿图的麻雀与算术混合优化算法

针对麻雀搜索算法（SSA）迭代后期种群多样性减少、易陷入局部最优等问题,提出一种基于哈密顿图的麻雀算术混合优化算法（HSSAAOAH）。首先,在SSA发现者-跟随者模型和侦察机制的基础上,引入算术优化算法（AOA）的乘除算子。利用乘除算子的高分布性,提高算法在迭代后期解的多样性;其次,将种群中所有个体转化成一个无向加权图,在每一轮迭代后,使用改良圈算法计算个体构成的哈密顿环长度,根据相邻两代长度的比值衡量种群收敛趋势;然后,对于没能有效收敛的子代,随机生成一定数量的个体并使用贪婪策略进行选择,替代表现较差的个体,提高解的质量,增强跳出局部极值的能力;最后,将HSSAAOAH与不同优化算法在基准函数和两个工程设计问题上进行仿真实验,结果表明HSSAAOAH算法收敛速度更快,寻优精度更高,具有良好的鲁棒性和寻优性能。