徐 航， 张达敏， 王依柔， 宋婷婷， 樊 英

(贵州大学 大数据与信息工程学院, 贵阳 550025)

0 引 言

群体智能优化算法是通过模拟自然界中生物的群体规律来实现寻优的元启发式算法，许多自然启发算法越来越受工程应用问题的青睐，其实现过程简单且易于执行，而且这些算法也具有一定绕过局部最优区域的能力[1]，其中具有代表性的是源于座头鲸捕猎行为的鲸鱼优化算法(Whale Optimization Algorithm, WOA)[2]。由于WOA拥有出色的性能，被成功应用于许多优化问题中[3]，但和大多数启发式算法一样，WOA也是从一个随机的种群开始进行搜索，由于寻优过程的随机性，在勘探和开发之间保持适当的平衡是极其困难的，而且在算法的搜索过程中不断改变领导者的位置，导致算法在求解优化问题时可能会迅速收敛到局部最优解而不是全局最优解，最终导致解决方案的质量下降。为了提升该算法的性能，有学者已经对WOA进行了改进研究，提出了一种基于自适应权重和柯西变异的鲸鱼优化算法，且表现出较高的寻优精度和稳定性[4]；提出了混合遗传鲸鱼优化算法来优化频谱利用率和对抗恶意用户模拟授权用户的攻击行为，结果表明该算法比现有的检测算法具有更高的性能[5]。

为了进一步深入研究WOA，笔者分别采用混沌思想、决策算子等方法对WOA进行改进，并提出一种改进鲸鱼算法(Improved Whale Optimization Algorithm, IWOA)，首先利用混沌理论的特点优化算法初始种群位置，最大限度使初始种群分布均匀，并在算法中加入一个决策算子，通过对领导者的位置进行优化，增加算法跳出局部最优区域的概率，进而增加算法的寻优精度，同时结合文中提出的自适应权重，使勘探和开发之间保持适当的平衡。……