毛清华，张 强

燕山大学 经济管理学院，河北 秦皇岛066004

+通信作者E-mail:1456642771@qq.com

群智能优化算法是受到大自然生物界的启发，模拟自然界中的一些事物或生物的行为规律，在解空间内进行全局寻优。近几年新的群智能优化算法不断涌现，学者们通过蚂蚁、狼、鸟类、飞蛾、鲸鱼、麻雀等生物行为，提出了一系列的群智能优化算法，如：蚁群算法（ant colony optimization，ACO）、灰狼优化算法（grey wolf optimization，GWO）、飞蛾火焰优化算法（moth-flame optimization，MFO）、鲸鱼优化算法（whale optimization algorithm，WOA）、麻雀搜索算法（sparrow search algorithm，SSA）等。由于群智能优化算法具有易操作、鲁棒性强、应用范围广的优点，被众多学者所关注。其中麻雀搜索算法于2020年由Xue 等[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，具有求解效率更高的特点。然而，在算法迭代后期仍然和其余智能算法一样，容易出现困于局部极值的问题。

为改善群智能优化算法在迭代后期容易陷入局部最优的不足，提高全局寻优能力，众多学者都提出了不同的改进策略：Oliva 等[2]利用混沌算子对鲸鱼位置更新概率进行混沌映射，提高全局寻优性能。杨万里等[3]将Logistic 混沌映射应用到粒子群算法中，增强了解的多样性，一定程度降低了算法困于局部空间的概率。Hegazy 等[4]通过添加自适应权重因子，加快算法的收敛速度，并成功应用于特征选择问题。Wang 等[5]提出一种自适应惯性权重，改变了速度的更新方式，使蝙蝠在搜索过程中能够动态自适应地调整速度。王依柔等[6]加入正弦变化的惯性权重因子改变园丁鸟的位置更新方式，有效平衡了全局与局部的开发能力。……