（成都理工大学信息科学与技术学院，四川 成都 610059）

随着科学的进步，在各领域中所遇到的工程求解优化问题的复杂性越来越高，传统的计算方式难以满足对问题优化的有效性。相关学者通过自然界不同的物理现象、物种进化提出了启发式算法。以粒子群[1]、遗传算法[2]为代表的启发式算法已成功应用于无人艇航线规划[3]、特征选择[4]、图像阈值分割[5]等。

樽海鞘算法(Salp swarm algorithm,SSA)是2017年由Mirjalili 等提出的一 种新型启发式算法[6]，其思想来源于樽海鞘链在海洋中觅食的种群机制。与其他优化算法相比，SSA 具有参数少、寻优机制简明等特点，现已成功运用于特征选择[7]、训练神经网络[8]、TDOA 问题[9]、PMSM 多参数辨识[10]等。作为一种随机群体优化算法，它与其他相似算法一样，依旧存在着易陷入局部最优解及收敛速度慢等缺点。已有相关学者对其进行改进，提高算法的性能。文献[11]在樽海鞘算法中引入反向学习与混沌局部搜索，以提高其性能，从而获得全局最优解。文献[12]提出了一种在食物源位置引入疯狂算子的疯狂自适应的樽海鞘算法，并对其优化函数进行了验证。文献[13]将天体运动机制引入到樽海鞘算法，以提高算法的性能。

为提高樽海鞘算法在求解问题时的收敛速度和寻优精度，本文引入不同的优化策略，提出一种基于反向学习与混合位置中心的樽海鞘算法

(opposition-based learning and hybrid position center Salp swarm algorithm,OHSSA)。该算法主要特点体现在以下方面。1)在每次迭代结束后，将领导者更新的位置通过反向学习策略得到领导者的反向解，以增加种群多样性，有利于跳出局部最优。……