毛清华 ，张强 *，毛承成 ，柏嘉旋

（1.燕山大学 经济管理学院，河北 秦皇岛 066004；2.莫纳什大学 商学院，澳大利亚 墨尔本 VIC 3145）

0 引言

近几年新的群智能优化算法如雨后春笋一般不断浮现，学者们通过模拟自然界众多生物的行为，提出了一系列的群智能优化算法，如：灰狼优化算法（GWO），飞蛾火焰优化算法（MFO），鲸鱼优化算法（WOA），麻雀搜索算法（SSA）等等。由于群智能优化算法操作简单，求解问题能力强，被众多学者所青睐。其中麻雀搜索算法是2020年由薛建凯［1］首次提出，是一种新型群智能优化算法。麻雀搜索算法与其他算法相比，具有求解速率高、精确度高等特点，然而，在算法搜索后期仍然和其余智能算法一样，面临无法跃出局部极值的问题。

为加强算法抗局部最优的能力，众多学者都提出了各自的改进方法：Hegazy等［2］通过引入惯性权重，提高算法的求解速率，并成功优化特征选择问题。Wang等［3］提出自适应惯性权重，动态调整速度变化，使蝙蝠在靠近最优解过程中能够自适应改变速度。崔志华等［4］引入了平均聚类的多样性度量指标，保持了种群的多样性。Wang等［5］加入柯西扰动操作，避免萤火虫算法困于局部极值。Li等［6］通过引入非线性控制参数和柯西变异，提高了粒子群算法收敛速度和精度。Cui等［7］结合质心策略及改变蝙蝠速度更新方程，以提高算法全局开拓能力。Cui等［8］在布谷鸟算法中引入Lévy分布和指数分布，提高了后期算法扰动变异能力，进而摆脱局部区域。Elaziz等［9］引进差分算法，在局部搜索区域内，以差分变异算子作为住操作符，提升了樽海鞘群算法的特征开掘能力。……