汤安迪， 韩 统， 徐登武， 谢 磊

(1.空军工程大学航空工程学院，西安，710038； 2.94855部队，浙江衢州，324000)

群智能优化算法是一类模拟自然界生物行为和自然现象的元启发式优化算法，具有良好的并行性和自主探索性。自1975年美国教授Holland根据达尔文进化论以及自然界优胜劣汰机制提出了遗传算法[1]以后，越来越多的学者通过对不同生物种群和物理现象进行分析，从中获取灵感，提出多种群智能优化算法。包括粒子群算法[2](particle swarm optimization，PSO)、鲸鱼优化算法[3](whale optimization algorithm，WOA)、灰狼优化算法[4](grey wolf optimization，GWO)等。

麻雀搜索算法(sparrow search algorithm，SSA)是薛建凯等[5]于2020年提出的群智能优化算法，具有搜索精度高、收敛快等特点，但其在接近全局最优时，仍旧会出现种群多样性减小、易于陷入局部最优等缺陷。

为了改善群体的多样性，防止算法陷入局部最优，杨万里等[6]利用Logistic映射调整PSO算法惯性权重，通过混沌映射的随机遍历性，使算法在迭代过程中随机选择开发或探索行为；IBRAHIM等[7]利用Logistic映射初始化GWO算法种群，增加初始种群个体多样性，以此增加算法收敛效率；吕鑫等[8]利用Tent映射对SSA算法个体进行扰动，防止算法陷入局部最优。

上述文献主要利用某一种混沌映射对算法进行改进，但没有讨论不同混沌映射对于算法性能改进的影响。本文为解决麻雀搜索算法在迭代后期多样性减弱、易于陷入局部最优的问题，提出利用混沌映射调整麻雀搜索算法关键参数，通过函数测试确定使用哪种混沌映射，并引入GWO算法的等级制度，增强种群多样性，利用布朗运动扩大搜索范围，增强算法探索能力，当算法陷入停滞时，使用布朗运动策略对个体施加扰动，帮助算法跳出局部最优，最后利用贪婪策略有效保留优势个体，加快算法收敛速度。……