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寻优能力;在跟随者位置中引入柯西变异对最优解进行扰动更新,提高算法获取全局最优解能力。通过10个经典测试函数对SCSSA算法在收敛速度、收敛精度、平均绝对误差等指标的评估,并引进工程设计优化问题进行验证。实验结果证明改进后的麻雀搜索算法在收敛速度和寻优精度有明显增强,表现出良好的鲁棒性。     

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。     

混合策略改进的麻雀搜索算法

针对麻雀搜索算法存在的迭代过程中种群多样性减少且容易陷入局部最优以及收敛速度慢等问题,提出混合策略改进的麻雀搜索算法（MSSSA）。利用Circle映射初始化麻雀个体位置,增加初始种群的多样性。结合蝴蝶优化算法（BOA）中蝴蝶飞行方式,改进发现者的位置更新策略,增强算法全局探索能力。采用逐维变异方法对个体位置进行扰动,提升算法跳出局部最优的能力。在仿真实验中与4种基本算法和5种改进算法基于10个基准测试函数进行比较并进行Wilcoxon秩和检验,结果表明所提算法具有更好的收敛性和求解精度,全局寻优能力得到大幅提升。     

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.     

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。     

一种求解车间作业调度的自适应混合遗传算法

针对遗传算法和禁忌搜索算法在求解车间作业调度问题存在的全局收敛性差、种群早熟化、收敛速度慢等缺陷,提出了一种自适应遗传禁忌搜索算法。算法通过自适应调整遗传算子中的变异概率,改善了遗传算法的收敛速度;通过增加禁忌表来选择杂交产生的个体,避免迂回搜索,以禁忌搜索算法作为变异算子,增加种群的多样性,避免算法陷入局部最优。通过仿真实例,验证了算法的收敛性和抗局部收敛性。     

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.     

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。     

基于新型拥挤度距离的多目标麻雀搜索算法

现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法。基于麻雀搜索算法,提出多目标麻雀搜索算法（Multi-objective Sparrow Search Algorithm,MSSA）,对多目标优化问题进行求解。依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个体不超过存档上限的同时维持种群的多样性。分别使用多目标函数和盘式制动器设计测试算法性能。MSSA与MOPSO、MOGWO、NSGA-II和SPEA2在多目标测试函数上进行对比实验,结果表明MSSA算法在收敛性和均匀性两项指标上有显著的优势。盘式制动器仿真结果表明,MSSA可以快速地找到问题的非支配解,证明了该方法的有效性。     

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。     

求解复杂约束优化问题的多策略混合麻雀搜索算法

针对麻雀搜索算法面对具有强约束、非凸性和不可微特征的复杂问题所存在的开发与探索能力不平衡、易陷入局部最优、过早收敛和种群多样性较低等不足,提出一种求解复杂约束优化问题的多策略混合麻雀搜索算法.首先,利用反向学习策略构建双向初始化机制,以达到获得分布更优的初始种群的目的;其次,设计一种基于交叉与变异算子的位置更新公式,扩大搜索范围,丰富搜索机制,以平衡算法探索和开发能力,同时提高算法的收敛精度和速度;最后,使用社区学习策略对种群进行精炼,强化开发能力与跳出局部极值的能力,并保持种群的多样性.分别在CEC2017的28个实数约束优化问题和1个工程优化问题上进行了性能评估,实验结果表明,所提出的算法对比其他优化算法具有寻优能力强、收敛精度高、收敛速度快等优势,可有效解决复杂约束优化问题.     

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.     

混合策略改进的麻雀搜索算法及其应用

针对麻雀搜索算法（sparrow search algorithm,SSA）在优化过程中易陷入局部最优、寻优精度低等问题,提出了一种混合策略改进的麻雀搜索算法（MSSA）。为了使麻雀个体在搜索空间中能够进行充分搜索,在算法寻优过程中引入存档阶段去接收麻雀发现者向安全区域移动时可能被捕获而残留的位置信息;在算法的迭代过程中对当前最优个体作自适应邻域搜索,通过充分探索优质个体周围的位置信息来增强算法跳出局部最优的能力。通过九个基准测试函数进行性能评估,将MSSA、SSA以及四个改进的麻雀搜索算法：混沌麻雀搜索算法、混合策略改进的麻雀搜索算法、改进的麻雀搜索算法、增强型的麻雀搜索算法进行性能评测比较。实验结果表明MSSA相较于其他对比算法在近80%的测试函数上都有更好的收敛精度和稳定性,并且在Friedman检验中MSSA的排名均获得了第一。最后,将MSSA应用于障碍物环境下的无线传感器网络（wireless sensor network,WSN）覆盖优化问题,MSSA比五个对比算法的覆盖率分别提高了9.77%、4.25%、6.62%、3.02%、7.38%。     

粒子置换的双种群综合学习PSO算法

针对粒子群算法(PSO)种群多样性低和易于陷入局部最优等问题,提出一种粒子置换的双种群综合学习PSO算法(PP-CLPSO)。根据PSO算法的收敛特性和Logistic映射的混沌思想,设计并行进化的PSO种群和混沌化种群,结合粒子编号机制,形成双种群系统中粒子的同号结构和同位结构,其中粒子的惯性权重根据适应度值自适应调节;当搜索过程陷入局部最优时,PSO种群同位结构下适应度值较差的粒子,根据与混沌化种群间的同号结构执行粒子置换操作,实现了双种群系统资源的合理调度,增加了种群的多样性;进而综合双向搜索的同位粒子学习策略和线性递减搜索步长的局部学习策略,进行全局探勘和局部搜索,提高了算法的求解精度。实验选取9个基准测试函数,同时与4个改进的粒子群算法和4个群智能算法进行对比验证,实验结果表明,PP-CLPSO算法在求解精度和收敛速度等方面具备较好的综合性能。     

基于混沌搜索策略的鲸鱼优化算法

针对鲸鱼优化算法存在探索和开发能力难以协调、易陷入局部最优的不足,提出一种基于混沌搜索策略的鲸鱼优化算法(CWOA).首先,采用混沌反向学习策略产生初始种群,为全局搜索多样性奠定基础;其次,设计收敛因子和惯性权重的非线性混沌扰动协同更新策略以平衡全局探索和局部开发能力;最后,将种群进化更新与最优个体的混沌搜索机制相结合,以减小算法陷入局部最优的概率.对10个基准测试函数和6个复合测试函数进行优化,实验结果表明,CWOA在收敛速度、收敛精度、鲁棒性方面均较对比算法有较大提升.