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。