王晓彬，邹海荣

（上海电机学院电气学院，上海 201306）

群体智能优化算法是通过模仿自然界中群居生物的觅食或生活行为，研究其中的原理，并应用数学方法建模尝试解决大量实际工程应用中的难题。由于其通用性强、原理简单、实现方便，最重要的是能有效解决各种传统方法不易解决的复杂的组合优化问题，通过多次迭代自我适应、学习和发展，最终得到一个复杂问题的最优解，受到了众多专家学者的青睐，开拓了许多新兴研究热点，取得了显著成功。

混合蛙跳算法（Shuffled Frog Leaping Algorithm，SFLA）通过模拟青蛙觅食行为［1］，进行元启发式搜索，从而得到问题的最优解。SFLA最早由Eusuff等[2]提出，相较于其他智能优化算法，其显著特点是采取局部搜索和全局信息搜索融合的协同搜索策略。该算法具有模因算法（Memetic Algorithm，MA）搜索效率和容错率高的优点，也有粒子群优化算法（Particle Swarm Optimization，PSO）通用性强的优点，是两者优点的结合体。SFLA参数少，更便于使用编程实现。目前已广泛应用于模式识别、函数优化、信号与信息处理等领域中，并取得了成功。

虽然SFLA优点众多，但会出现求解精度不高、算法易陷入局部最优等问题。针对这些问题，近年来，许多国内外学者对其进行研究、改进。高建瓴等［3］引入自适应同步因子，改变局部搜索蛙跳规则，从而增加种群的多样性。赵红星等［4］对青蛙的觅食机制和更新迭代公式重新定义，提高了SFLA的全局和局部搜索能力。王联国等［5］对初始种群引入Tent混沌改进，在最差个体更新中引入扰动的柯西因子，提高算法的寻优能力。……