向 蕾，鲁海燕,2，胡士娟，沈莞蔷,2

(1.江南大学 理学院,江苏 无锡 214122;2.无锡市生物计算工程技术研究中心,江苏 无锡 214122)

0 引 言

近些年，新型群智能体算法在函数优化、工程应用等方面得到了快速发展，基于生物自然特性的群智能算法不断被提出，例如蚁群[1](artificial bee colony，ABC)算法、粒子群优化[2](particle swarm optimization，PSO)算法、蝙蝠算法[3](bat algorithm，BA)、萤火虫优化[4](glowworm swarm optimization，GSO)算法等。2013年Cuevas E提出了一种模拟自然界蜘蛛互相协作行为的新型群体智能优化算法—群集蜘蛛优化(social spider optimization，SSO)算法[5]，其研究表明，与PSO和ABC算法相比，SSO算法具有更快的收敛速度和更高的求解精度。目前，国内外许多学者已把SSO算法应用于约束优化[6]、经济负荷调度[7]、路径规划[8]问题中。虽然SSO算法在一些实际问题中已经得到了成功的应用，但与一些先进算法相比，仍存在求解精度低、收敛速度慢、易陷入局部极值等缺陷。因此，一些学者提出了多种改进的算法。王艳娇等人[9]提出一种基于动态学习策略的群集蜘蛛优化算法，该算法利用云模型对蜘蛛位置更新公式中的随机部分进行改进，同时加入动态学习策略，提高了算法的收敛速度；赵汝鑫等人[10]采用反向学习和精英选择机制进行种群初始化，使算法的全局搜索能力得到了提高；朱林波等人[11]将群集蜘蛛算法和差分进化算法相结合，提出了基于差分进化变异策略的群集蜘蛛算法，该算法对交配后的新一代蜘蛛进行变异，有效地提高了种群多样性。

本文提出了带有差分变异算子和粒子群惯性权重及学习因子的改进SSO算法。……