李晓瑜

(安康学院 电子与信息工程学院，陕西 安康 725000)

0 引言

在过去的几十年中，由于基于种群的元启发式算法在解决复杂问题和工程优化方面有着突出的表现，所以各种不同的优化算法相继出现。基于种群的元启法式算法是通过模拟自然或生物的过程来进行优化的算法[1]。由于受到鸟群和鱼群觅食行为的启发Kennedy和Eberhart[2]在1995年提出了粒子群优化算法(PSO)。由于受到达尔文进化论的启发Storn和Price[3]于1997年提出差分进化算法(DE)。Karaboga,和Basturk[4]于2007年提出了人工蜂群算法(ABC)，模拟蜂群的觅食行为。Tang和Man等[5]于1996年提出了遗传算法(GA)。Yang和 Deb[6]于2009年提出了布谷鸟算法(CCS)。受万有引力定律启发，Esmat Rashedi等[7]人在2009年提出万有引力算法(GSA)。

还有一些最新提出的基于种群的元启式搜索算法，受骑手运动行为的启发的骑手算法(ROA)[8]和受自然中原子运动模型启发的原子搜索算法(ASO)。人工电场算法是Anita 和 Anupam Yadav等于2019年提出来的一种基于库仑定律和第二运动定律的元启发式优化算法[9]，根据带电粒子间的引力或斥力，改变粒子的移动位置来寻找最优解的算法。在AEFA中粒子的位置更新的步长是由粒子的速度决定的，而粒子的速度又是由加速度决定的，加速度的大小是由粒子间的电场力和带电量决定的，粒子间的电场力又受到引力常数K的影响，K 越大粒子间的电场力越大，电场中粒子移动的加速度就大，位置更新的步长就大，算法的探索能力就越强。相反，K 越小粒子间的电场力越小，电场中粒子移动的加速度就小，位置更新的步长就小，算法的开采能力就越强。……