王依柔，张达敏，樊 英

(贵州大学大数据与信息工程学院，贵州 贵阳 550025)

1 引言

近年来，在工程、经济学等多个领域出现许多复杂优化问题，这些问题通过传统方法在一定的时间或精度内得到最优解较为困难。运用群智能算法可以处理这类优化问题。近几年比较新颖的群智能算法包括樽海鞘群算法SSA(Salp Swarm Algorithm)、蝴蝶优化算法BOA(Butterfly Optimization Algorithm)、常用的粒子群优化PSO(Particle Swarm Optimization)算法等都具有简单易行、参数少、运行时间短等特点，因此在解决众多非线性和多模态的现实寻优问题中，群智能算法呈现出了优良的可操作性和寻优能力[1-5]。

缎蓝园丁鸟优化算法SBO(Satin Bowerbird Optimizer)是由Moosavi等人[6]提出的一种新的全局优化群智能算法，是受缎蓝园丁鸟求偶行为的启发而提出的。虽然这种算法在经典工程设计问题上具有优越性，但与其它群智能算法一样，其仍然存在求解精度低和收敛速度慢等缺陷。文献[7]利用SBO算法来实现固体氧化物燃料电池的精确参数测量，SBO能够为固体氧化物燃料电池的稳态和动态模型生成有竞争力的参数，这表明了SBO算法的有效性。文献[8] 针对无管制电力系统中的拥塞管理问题，提出使用SBO算法，该方法在拥塞代价和损失方面具有更好的效果。文献[9]采用复数编码增加了园丁鸟种群的多样性，增强了标准SBO算法的全局搜索能力，但是收敛速度不太理想。文献[10]为避免算法陷入局部最优，在SBO算法中引入自适应t分布变异算子，使用算法的迭代次数作为t分布的自由度参数来增强种群的多样性，但是搜索精度依然不算高。……