林 杰， 何 庆， 王 茜， 杨荣莹， 宁杰琼

(贵州大学 大数据与信息工程学院， 贵阳 550025)

0 引 言

为解决各个科学工程中所产生的非线性优化问题，许多自然启发算法越来越受青睐，其实现过程简单且易于执行，而且这些算法绕过局部最优区域的能力也相对较强。其中，鲸鱼优化算法(Whale Optimization Algorithm, WOA)是Mirjalili等人2016年提出的一种基于群体的智能优化算法，其仿生原理为座头鲸的捕猎行为。由于鲸鱼优化算法表现出优秀的寻优性能，WOA已经被应用于许多优化问题中：将改进的鲸鱼算法应用在炼钢连铸的调度问题中[1]；在水库优化调度中采用鲸鱼优化算法[2]；在关于电压的传输过程中，通过鲸鱼算法对LLC谐振变换器进行建模和优化[3]。但与大多数启发式算法一样，也是从一个随机的种群开始搜索，搜索过程有全局探索阶段和局部开发阶段。由于最优过程的随机性，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，导致收敛结果早熟，即在求解优化问题时可能会迅速收敛到局部最优而不是全局最优，最终使解决方案的质量下降。许多学者对WOA的寻优性能进行了一系列的改进，如：基于自适应权重和柯西变异的鲸鱼优化算法具有较好的寻优精度和稳定性[4]；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，仿真结果表明，该算法比现有的检测算法具有更高的寻优性能[5]。

为进一步改善WOA的寻优性能，本文提出了一种改进鲸鱼算法(Enhanced Whale Optimization Algorithm, EWOA)。……