贾盼龙， 田学民

（中国石油大学（华东）信息与控制工程学院，山东 青岛266580）

入侵性杂草优化算法（Invasive Weed Optimization，IWO）是由 Mehrabian等[1]在2006年提出了一种新颖的数值优化模型。该算法模仿了杂草入侵的种子空间扩散、生长、繁殖和竞争性消亡的基本过程，具有很强的鲁棒性和自适应性。与遗传算法及其他群智能算法相比，IWO算法简单易于实现，不需要遗传操作算子，能简单而有效地逼近于问题的最优解，是一种强有力的智能优化工具，已被应用到图像聚类[2]、工程约束问题[3]、控制器参数整定[4]、DNA 编码[5]等众多领域之中。

标准IWO算法种群繁殖和优胜略汰的竞争机制都是直接根据个体的适应度来进行的。适应度小的个体产生少量种子或直接被淘汰，很可能会导致附近存在全局最优解的个体被淘汰出局，使算法陷入局部最优，影响到算法的寻优效果。为此，Giri等[6]对空间扩散矩阵做出了改进；Zhang等[7]将交叉操作引入到IWO算法中；Hajimirsadeghi等[8]将IWO算法与粒子群优化算法（Particle Swarm Optimization，PSO）相结合，这些改进方法都在一定程度上增加了IWO算法的种群多样性，使得算法全局收敛性有所提高。

本文将小生境思想引入到IWO算法，提出一种改进的小生境杂草优化算法（Niche Invasive Weed Optimization，NIWO），对种群进行分类竞争繁殖，增加保持种群多样性，提高算法的全局寻优能力，同时采用自适应小生境数来提高算法后期的收敛精度。通过对4个常用标准测试函数的仿真实验，验证了该算法的有效性。

1 标准IWO算法

标准IWO算法[1-3]的执行过程要经历4个过程：初始化种群，生长繁殖，空间分布，竞争性生存。……