融入动态学习与高斯变异的自适应秃鹰搜索算法

针对标准秃鹰搜索算法寻优时存在的初始种群分布不均匀、个体适应性差和易陷入局部最优等问题，提出一种改进的秃鹰搜索算法应用于求解函数优化问题。首先，引入Circle混沌映射丰富初始种群的多样性，在搜索空间阶段引入一种非线性权重自适应地调整算法搜索与开发的能力；其次，令螺旋搜索过程中秃鹰领导者个体向具有代表性的秃鹰个体进行动态学习，产生出适应性强的秃鹰个体；最后，对最佳搜索位置的秃鹰个体执行高斯变异策略，根据个体适应度大小择优更新曲线俯冲过程中的秃鹰领导者个体，种群中多数秃鹰个体的适应性得到增强，能够一定程度上避免算法在函数寻优时出现的停滞局面。通过在若干基准测试函数与部分CEC2017函数的对比实验验证了本文算法的优越性。