郑洪清,冯文健,周永权

(1.广西外国语学院信息工程学院，广西南宁 530222；2.柳州铁道职业技术学院，广西柳州 545616；3.广西民族大学人工智能学院，广西南宁 530006)

0 引言

由于群智能算法无需先验知识，无需分析数据内部规律和内在关联，只需对数据本身进行学习，自组织、自适应地完成优化问题的求解，近年来大批群智能算法被相继提出，如布谷鸟搜索算法(Cuckoo Search Algorithm,CS)[1]、樽海鞘群算法(Salp Swarm Algorithm,SSA)[2]、狼群算法(Grey Wolf Optimizer,GWO)[3]、正弦余弦算法(Sine Cosine Algorithm,SCA)[4]、鲸鱼优化算法(Whale Optimization Algorithm)[5]、花朵授粉算法(Flower Pollenation Algorithm,FPA)[6]等。这些群智能算法基本上是模拟生物的群体行为，按照某种合作方式一起求解优化问题，并在工程优化、图像处理、特征选择和机器学习等领域得到广泛应用。蝴蝶优化算法(Butterfly Optimization Algorithm,BOA)[7]是模拟自然界的蝴蝶觅食或求偶行为而衍生出的一种仿生群智能算法，已成功解决图像分割[8]、经济负荷调度[9]等问题。但基本BOA也存在收敛速度慢、计算精度差和易陷入局部最优等缺陷，许多学者提出不同改进策略。如高文欣等[10]首先引入limit阈值来限定BOA陷入局部最优次数，然后结合单纯形法和正弦余弦算法提升算法性能，但同时也增加了算法时间复杂度且其函数4求解精度较低。王依柔等[11]首先在自身认知部分引入自适应惯性权重，其次在全局最优位置引入扰动策略，在花蜜位置引入疯狂因子来平衡算法的局部与全局搜索能力，提出无限折叠迭代混沌映射的蝴蝶优化算法(SIBOA)，但该优化后的算法其精度还有待于进一步提升。宁杰琼等[12]首先利用Circle映射初始化种群，然后在局部搜索阶段利用动态切换概率，控制改进正弦余弦算法与蝴蝶优化算法的转换，并在全局和局部位置引入自适应权重系数和逐维变异策略，从而改进算法的性能，使求解的精度较高。……