李广强 张肇宝 徐 晨 梁大伟 赵钎伊 于浩淼

(大连海事大学船舶电气工程学院 辽宁 大连 116026)

0 引 言

近年来随着人工智能领域迅速发展，群智能算法作为其中重要的组成部分得到了学术界的广泛关注，学者相继提出了粒子群算法[1]、人工蜂群算法[2]、随机蛙跳算法[3]、蝙蝠算法(BA)[4]等群智能算法，这些算法已用于解决路径规划[5]、网络检测[6]和数据分析[7]等问题[8-10]，并取得了较好的效果。

BA是Yang[4]提出的一种较为新颖的元启发式算法。与其他群智能算法一样，其具有结构简单、鲁棒性强等特点，但仍然存在着易陷入局部最优、收敛速度慢和精度低等问题[11]。针对这些不足，国内外学者提出了不同的改进方法[12-15]。李煜等[16]提出了一种融合均匀变异和高斯变异的蝙蝠算法，引入变异开关函数，利用两种变异共同协作来提高算法的收敛精度。吕石磊等[17]引入自适应步长机制和变异策略，避免了算法陷入局部最优的问题，并提高了收敛精度。Cui等[18]则提出了基于黄金分割的主成分分析法的蝙蝠算法，降低了算法发生早熟收敛的可能性。耿艳香等[19]为了增强个体之间的信息交流，引入RNA遗传算法，以及通过信息的交叉和变异等措施，提高了算法的整体寻优能力。

基于上述工作，针对BA的不足，本文提出了一种改进的并行蝙蝠算法(IPBA)。首先利用混沌映射对初始值的敏感性和遍历性等特点，并结合免疫浓度的思想，给出一种基于免疫浓度的混沌初始化。然后引入并行策略，将初始种群均分为探索与开发两个子群体，子群体采用不同的惯性权重和停滞变异策略分别独立进化。……